universidad autÓnoma de nuevo leÓn facultad de …eprints.uanl.mx/16547/1/1080291938.pdf ·...

100
UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN FACULTAD DE SALUD PÚBLICA Y NUTRICIÓN T E S I S POLIMORFISMOS rs6265 Y rs7934165 DEL GEN BDNF Y SU ASOCIACIÓN CON FENOTIPOS DE OBESIDAD EN MUJERES POSTMENOPÁUSICAS POR L. N. ISRAEL GUERRERO CONTRERAS COMO REQUISITO PARCIAL PARA OBTENER EL GRADO DE MAESTRÍA EN CIENCIAS EN NUTRICIÓN NOVIEMBRE, 2018

Upload: others

Post on 21-Mar-2020

2 views

Category:

Documents


0 download

TRANSCRIPT

UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN FACULTAD DE SALUD PÚBLICA Y NUTRICIÓN

T E S I S

POLIMORFISMOS rs6265 Y rs7934165 DEL GEN BDNF Y SU ASOCIACIÓN CON FENOTIPOS DE OBESIDAD EN MUJERES POSTMENOPÁUSICAS

POR

L. N. ISRAEL GUERRERO CONTRERAS

COMO REQUISITO PARCIAL PARA OBTENER EL GRADO DE MAESTRÍA EN CIENCIAS EN NUTRICIÓN

NOVIEMBRE, 2018

UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN FACULTAD DE SALUD PÚBLICA Y NUTRICIÓN

SUBDIRECCIÓN DE INVESTIGACIÓN, INNOVACIÓN Y POSGRADO

TESIS

POLIMORFISMOS rs6265 Y rs7934165 DEL GEN BDNF Y SU ASOCIACIÓN CON FENOTIPOS DE OBESIDAD EN MUJERES POSTMENOPÁUSICAS

POR

L. N. ISRAEL GUERRERO CONTRERAS

COMO REQUISITO PARCIAL PARA OBTENER EL GRADO DE MAESTRÍA EN CIENCIAS EN NUTRICIÓN

DIRECTOR DE TESIS DR. ZACARÍAS JIMÉNEZ SALAS

CO-DIRECTOR DR. RAFAEL VELÁZQUEZ CRUZ

MONTERREY, NUEVO LEÓN, MÉXICO NOVIEMBRE, 2018

6

El trabajo realizado en esta tesis contó parcialmente con financiamiento

del Consejo Nacional de Ciencia y Tecnología: INFR-2016-01-270405,

INMEGEN proyecto 266-17/2016/I y con el numero de beca 610443 del

estudiante 783187.

7

AGRADECIMIENTOS

Ha sido un largo camino hasta aquí, pero al final del camino quedan pocas

personas. Martha y Oscar, les agradezco por darme la vida y apoyarme hasta el

final.

Ileana, Alejandro y Daniel, mis hermanos y cómplices jamás se rindan, la

vida no es fácil, los días difíciles nos llevan al mañana.

Se han derramado lágrimas a lo largo de este camino, Sandybel, quiero

agradecerte por acompañarme, siempre tendrás un lugar en mi corazón, espero

un día puedas ver a través de mis ojos, gracias por sacar lo mejor de mí, gracias

por existir y brindarme tu amor señora.

Aquel que abogo por mí, Dr. Eduardo gracias por ser uno de mis padres

académicos, siempre tendré buenos recuerdos de usted, gracias por su

hospitalidad y acogerme como un hijo.

Siempre seremos los tres mosqueteros, Sandra y Jacob, ustedes han

estado conmigo hasta el final, gracias por apoyarme en las buenas y en las

malas, me llevo bonitos recuerdos de ustedes, espero verlos pronto, gracias por

su amistad y compañerismo

Para Gerardo, gracias por encaminarme a buenos pasos, sé que en todo

momento te preocupas por quienes aprecias y agradezco eso, gracias por las

lecciones de vida.

Mi tutor y guía, Dr. Zacarías, sé que no he sido el mejor hijo académico,

que lo hice batallar mucho, quiero expresarle mi agradecimiento por su apoyo e

infinita sabiduría, a pesar de las adversidades siempre me ayudó, por favor no

deje morir el laboratorio en el que crecí, es mi hogar y lo valoro mucho.

8

Mi madre académica, Dra. Alhelí, sé que he sido su primer tesista e hijo

académico, el más rebelde de todos, pero le agradezco su tiempo que fue muy

valioso, por favor nunca cambie, espero verla de nuevo, hay tanto que me faltó

aprender de usted.

Para el Gato, tuvimos nuestras diferencias y nos separamos, quiero que

estés bien y seas feliz, no me odies, tú estuviste al inicio del viaje.

Aquel de mano firme y con visión en la ciencia, Dr. Rafael, le guardo

admiración y respeto, usted fue mi padre académico más exigente y agradezco

eso, me llevo una gran enseñanza de usted.

Al final creo que no pude ayudarte y te falle, Erika, espero que seas feliz

un día y encuentres a alguien que te haga feliz, espero se cumpla tu sueño de

ser escritora, agradezco que estuvieras presente en este viaje llamado vida.

Para los mallorquines, Sebastián y Tony, gracias por acogerme en tierras

desconocidas, por enseñarme su cultura y brindarme camaradería.

Para mis estudiantes, Ana, Ilse, Rosy, Karla, Janeth, Gisella, Caro,

Vanessa y la nueva encargada del laboratorio, Estefanía, a todas ustedes gracias

por tenerme paciencia en todo momento, lo mucho o poco que sabía, espero les

haya ayudado en algo en su viaje hacía el conocimiento, nunca dejen de aprender

y soñar.

Kim, Maripaz y Mariela, gracias por todo, aprecio su amistad, espero

lleguen lejos en este camino llamado vida.

Por último, quien me sacó del abismo, Diana espero verte pronto algún

día, gracias por brindarme tu amistad, se que te hice daño y lo lamento.

9

DEDICATORIA

La información es poder. Pero como todo poder, hay quienes quieren

guardarlo para sí mismos. El patrimonio científico y cultural de todo el mundo,

publicado durante siglos en libros y revistas, está siendo digitalizado y encerrado

cada vez más por un puñado de corporaciones privadas.

Para Aaron Swartz y Alexandra Elbakyan, gracias a ustedes por creer en

la ciencia y en la investigación, gracias por apoyar a la humanidad.

A todas aquellas personas que a lo largo de mi vida han sido importantes

para mí, a todos ustedes, aunque ya no están en mi vida, gracias por todo.

Al pueblo mexicano, ustedes son los que hacen posible estas

oportunidades para aquellos que desean superarse.

Al Consejo Nacional de Ciencia y Tecnología, por creer en la ciencia y en

la investigación.

Para la facultad de salud publica y nutrición, mi hogar donde me forme

como maestro en ciencias, por brindarme apoyo para crecer profesionalmente.

Para toda mi familia del Norte, para todos los Salazar, en especial, mi tía

Gloria y mi tío Juan.

10

CONTENIDO

ÍNDICE DE TABLAS .......................................................................................... 12

ÍNDICE DE FIGURAS ........................................................................................ 13

ABREVIATURAS ............................................................................................... 14

RESUMEN ......................................................................................................... 16

ABSTRACT ........................................................................................................ 17

1. INTRODUCCIÓN ........................................................................................... 18

1.1. Definición del problema .......................................................................... 19

2. ANTECEDENTES .......................................................................................... 21

2.1. Obesidad ................................................................................................ 21

2.2. Etiología ................................................................................................. 22

2.2.1. Alimentación y obesidad .................................................................. 22

2.2.2. Factores genéticos de la obesidad .................................................. 25

2.2.2.1. Variantes genéticas .................................................................... 26

2.2.2.2. Genes implicados en la obesidad .............................................. 28

2.2.2.3. Generalidades de BDNF ............................................................ 31

2.3. Diagnóstico de la obesidad .................................................................... 33

2.4. Clasificación de la obesidad de acuerdo con la composición corporal ... 35

2.5. Tratamiento ............................................................................................ 35

3. JUSTIFICACIÓN ............................................................................................ 37

4. HIPÓTESIS .................................................................................................... 39

5. OBJETIVOS ................................................................................................... 39

5.1. Objetivo General .................................................................................... 39

5.2. Objetivos específicos ............................................................................. 39

6. MATERIALES Y MÉTODOS .......................................................................... 40

6.1. Diseño del estudio .................................................................................. 40

6.2. Estrategia General ................................................................................. 41

6.3. Obtención de la información ................................................................... 43

6.4. Estudios y variables composición corporal ............................................. 43

6.5. Metodología para las mediciones antropométricas ................................ 43

6.6. Identificación de los fenotipos de obesidad ............................................ 45

6.7. Metodología para la obtención de la composición corporal .................... 45

6.8. Determinaciones y variables genéticas .................................................. 46

11

6.8.1. Extracción de sangre ....................................................................... 46

6.8.2. Extracción de ADN genómico .......................................................... 46

6.8.3. Cuantificación de los ácidos nucleicos............................................. 47

6.8.4. Diluciones y concentraciones de los ácidos nucleicos ..................... 47

6.8.5. Genotipificación de los SNPs ........................................................... 48

6.8.6. Técnica de la reacción en cadena de la polimerasa en tiempo real 48

6.8.6.1 Principio de las sondas Taqman ................................................. 49

6.8.7. Materiales, reactivos y manejo del equipo ....................................... 50

6.8.8. Frecuencias alélicas y genotípicas .................................................. 52

6.8.9.- Equilibrio de Hardy Weinberg ......................................................... 53

6.8.10.- Codificación de variables y modelos de herencia ......................... 53

6.8.11.- Análisis y pruebas estadísticas ..................................................... 53

7. RESULTADOS ............................................................................................... 54

7.1.- Características antropométricas y de composición corporal del grupo de mujeres postmenopáusicas ........................................................................... 54

7.2.- Clasificación de la población por fenotipos de obesidad ....................... 55

7.3.- Frecuencias alélicas y genotípicas de los polimorfismos rs6265 y rs7934165 del gen BDNF en el grupo de estudio .......................................... 56

7.4.- Determinación de la asociación de los polimorfismos rs6265 y rs7934165 del gen BDNF con los fenotipos de obesidad del grupo de estudio ...................................................................................................................... 58

8.- DISCUSIÓN .................................................................................................. 66

9. CONCLUSIONES .......................................................................................... 76

10. REFERENCIAS ........................................................................................... 77

11. RESUMEN CURRICULAR ........................................................................... 93

12

ÍNDICE DE TABLAS

Tabla I Genes asociados a variables de composición corporal…………………………….…..29

Tabla II Genes asociados a obesidad en población mexicana…………………………………..30

Tabla III Puntos de corte para riesgo de complicaciones metabólicas………….……………....34

Tabla IV Guía para la selección del tratamiento de la obesidad…………………………………36

Tabla V Fenotipos de acuerdo al Índice de Masa Corporal…………………………………...…45

Tabla VI Características generales de los polimorfismos analizados en BDNF…………………48

Tabla VII Sondas de hibridación para los polimorfismos del gen BDNF……………………..….48

Tabla VIII Reactivos y concentraciones para la reacción en cadena de la polimerasa…………50

Tabla IX Materiales para la Reacción en Cadena de la Polimerasa………………………….....50

Tabla X Condiciones de temperatura de la reacción………………………………………..…..51

Tabla XI Características generales de la población estudiada……………………………………54

Tabla XII Características generales en los grupos de estudio…………………………………….55

Tabla XIII Frecuencias genotípicas y alélicas de los polimorfismos del gen BDNF………………56

Tabla XIV Frecuencias genotípicas y alélicas de los polimorfismos del gen BDNF en los grupos

de estudio………………………………………………………………………….………….57

Tabla XV Regresión lineal del polimorfismo rs6265 del gen BDNF con variables

antropométricas…………………………………………………………………………...…59

Tabla XVI Regresión lineal del polimorfismo rs7934165 del gen BDNF con variables

antropométricas………………………………………………………..…………………….61

Tabla XVII Regresión lineal del polimorfismo rs6265 con variables antropométricas en los

grupos de estudio por el modelo dominante…………………………..…………………64

Tabla XVIII Regresión lineal del polimorfismo rs7934165 con variables antropométricas en los

grupos de estudio, modelo aditivo ……………………………………………………….65

Tabla XIX Características generales y de composición corporal en distintas poblaciones…..…68

Tabla XX Comparación de porcentajes de fenotipos de obesidad en población nacional femenina

de 40 a 80 años comparada contra la población del noreste……..……………………70

Tabla XXI Frecuencias genéticas del rs6265 en diversos estudios………………………………..71

13

ÍNDICE DE FIGURAS

Figura 1 Prevalencia de obesidad en adultos mayores de 20 años por sexo y encuesta……….…21

Figura 2 Principales GWAS para los rasgos de adiposidad……………………………………..…….27

Figura 3 Ubicación del gen BDNF y polimorfismo rs6265………………………………………..…….32

Figura 4 Estrategia general del trabajo…………………………………………………………………...42

Figura 5 Principio de discriminación alélica por sondas de hibridación Taqman®……………..…...49

Figura 6 Dispersión de amplificación y discriminación alélica del SNP rs6265………………..........51

Figura 7 Dispersión de amplificación y discriminación alélica del SNP rs7934165………….…...…52

14

ABREVIATURAS

Abreviatura Significado

ADN Ácido Desoxirribonucleico

AIF1 Factor Inflamatorio 1

APOC1 Apolipoproteína C1

APOE Apolipoproteína E

BCDIN3D RNA Metil-Transferasa

BDNF Factor Neurotrófico Derivado del Cerebro

C12orf51 Dominio E3 Ubiquitina Proteína ligasa 4

CC Circunferencia de Cintura

CCK Colecistocinina

cDNA ADN complementario

Chi2 Prueba de chi cuadrada

CMO Contenido mineral óseo

CNV Número Variable de Copia

DXA Absorciometría dual de rayos X

ENSANUT Encuesta Nacional de Salud y Nutrición

FAIM2 Molécula Inhibidora Apoptótica Fas 2

FTO Fat to Obesity

GLP Péptido Similar al Glucagón

GNPDA2 Glucosamina 6 Fosfato Desaminasa 2

GWAS Estudio de Asociación del Genoma Completo

HWE Equilibrio de Hardy-Weinberg

ICC Índice Cintura Cadera

IMC Índice de Masa Corporal

INDELS Inserción-deleción

IRS1 Sustrato del Receptor de Insulina 1

KCTD15 Tetramero del Canal de Potasio

LEPR Receptor de Leptina

LYPLAL1 Similar a la Lisofosfolipasa 1

MAF Alelo de Menor Frecuencia

MC4R Receptor de Melanocortinas 4

MHO Metabólicamente sanos con obesidad

MLG Masa libre de grasa

MONW Metabólicamente Obesos con Peso Normal

mRNA ARN mensajero

MSRA Péptido Metionina Sulfóxido Reductasa

15

MTCH2 Portador Mitocondrial 2

MUO Obesos Metabólicamente no sanos

NCR3 Receptor Desencadenante de la Citotoxicidad Natural 3

NEGR1 Regulador de crecimiento neuronal 1

NPC1 Transportador de colesterol intracelular 1

NRXN3 Neurexina 3

NT Neurotrofina

NTRK Tirosina Quinasa Neurotrófica

NTRK2 Receptor neurotrófico de tirosina kinasa 2

NWO Obesidad con Peso Normal

OCDE Organización para la Cooperación y el Desarrollo Económico

OMS Organización Mundial de la Salud

OR Odds Ratio

OXM Oxintomodulina

PCSK1 Proproteina Convertasa 1

POMC Proopiomelanocortina

PRL Prolactina

proNGF Factor de Crecimiento Nervioso

proNT Pro neurotrofina

PYY Péptido Tirosina-Tirosina

qPCR Reacción en cadena de la polimerasa en tiempo real

RASAL2 Similar al Activador de Proteína RAS 2

RBC Solución de lisis de eritrocitos

SEC16B Factor de Exportación del Retículo Endoplásmico

SH2B1 Proteína Adaptadora

SNC Sistema Nervioso Central

SNP Polimorfismo de un solo nucleótido

SPRY2 Proteína Brumosa RTK de Señalización Antagonista 2

SREBF2 Factor de transcripción de unión al elemento regulador de esterol 2

STR Repeticiones Cortas en Tándem

TFAP2B Factor de Transcripción AP-2 Beta

TMEM18 Proteína Transmembrana 18

TOMM40 Translocasa de la Membrana Mitocondrial externa 40

Trk Tropomiosina Receptor Quinasa

16

RESUMEN

Introducción: La obesidad es una condición multifactorial y poligénica que promueve los problemas de salud más importantes a nivel mundial. El factor Neurotrófico Derivado del Cerebro (BDNF) es una proteína que participa en la regulación de mecanismos relacionados con el gasto energético y la saciedad. Polimorfismos del gen que codifica para esta proteína han sido asociados con la obesidad en diversas poblaciones europeas y americanas, con resultados discrepantes en relación a la composición corporal. Por lo tanto, el objetivo del presente estudio fue evaluar la asociación de los polimorfismos rs6265 y rs7934165 del gen BDNF con diferentes fenotipos de obesidad en mujeres postmenopáusicas del norte de México. Metodología: En el estudio se incluyeron a 182 mujeres postmenopáusicas posteriormente clasificadas con base en el Índice de Masa Corporal (IMC) como: peso normal, sobrepeso y obesidad; se midieron variables de composición corporal mediante absorciometría dual de rayos X (DXA). La genotipificación de los polimorfismos rs6265 y rs7934165 del gen BDNF se realizó con sondas de hibridación TAQMAN. Las diferencias entre grupos se obtuvieron mediante ANOVA de una vía y la asociación entre variables con regresiones lineales simples ajustadas por edad e IMC. Resultados: El grupo estudiado presentó una edad promedio de 57 años y un IMC de 29 kg/m2. En la población de estudio se observó que las portadoras del alelo G del rs6265 tenían mayor circunferencia de cadera (P = 0.04). El genotipo GG del rs7934165 mostró un sutil aumento en el porcentaje de grasa corporal. Al dividir a la población en los grupos de peso normal (19.7%), sobrepeso (41.20%) y obesidad (39.01%), se encontraron datos interesantes. En el grupo de peso normal, el alelo A del rs6265 se asoció con una disminución en el peso corporal (P = 0.04) y circunferencia de cadera (P = 0.01). Con el rs7934165 el alelo A se asoció con una mayor circunferencia de cadera en el grupo de sobrepeso (P = 0.01). Conclusiones: Ambos polimorfismos demostraron estar asociados a la composición corporal en mujeres postmenopáusicas del norte de México.

17

ABSTRACT

Introduction. Obesity is a complex polygenic condition that encompass the most important public health problems worldwide. Brain-Derived Neurotrophic Factor (BDNF) is a protein with a key role in basal metabolic rate and satiety homeostasis. Moreover, several studies have shown that some polymorphisms of the BDNF gene are linked to obesity. Additionally, it has been found that genetic polymorphisms in BDNF are associated with changes in body composition among European and American populations. Therefore our aim was to evaluate the association of rs6265 and rs7934165 polymorphisms in the BDNF gene with phenotypes associated to obesity in postmenopausal women from northern Mexico. Methods. This cross-sectional study was conducted in 182 postmenopausal women further classified as normal weight, overweight and obese according to Body Mass Index (BMI) classification system. Dual X-Ray Absorptiometry (DXA) was used to estimate body composition. Genotypes of rs6265 and rs7934165 were obtained by TAQMAN assays. Differences between groups were calculated trough one-way ANOVA analysis and associations with linear regressions adjusted by age and BMI. Results. The average age of the sample was 57 years and its BMI average was 29 kg/m2. The G allele of rs6265 was associated with a higher waist circumference (P = 0.04). The GG genotype of rs7934165 showed a nuance increase of fat mass percentage. Interestingly these associations were different when the sample was classified according to the BMI in normal weight (19.7%), overweight (41.20%) and obesity (41.20%). In normal weight the A allele of rs6265 was associated with a decrease of body weight (P = 0.04) and hip circumference (P = 0.01). In the rs7934165 polymorphism, the A allele showed an association with higher hip circumference in the overweight (P = 0.01). Conclusions: Both polymorphisms rs6265 and rs7934165 in the BDNF gene were associated with body composition and obesity in postmenopausal women.

18

1. INTRODUCCIÓN

La obesidad es definida por la Organización Mundial de la Salud (OMS)

como un exceso de grasa corporal que puede ser perjudicial para la salud (OMS,

2016). Esta definición simplista, no refleja la complejidad de una condición

multifactorial, caracterizada por un desbalance energético en el que la ingesta

calórica excede el gasto energético. De manera clásica se ha relacionado a un

estilo de vida inadecuado (mala alimentación y baja actividad física) que

repercute en una acumulación excesiva de grasa corporal. No obstante, este

padecimiento involucra otros procesos complejos en el desbalance energético

como vías metabólicas alteradas por factores ambientales y genéticos, que

promueven la ingesta calórica y la reducción del gasto energético (Schwartz et

al., 2017).

Las estrategias actuales para tratar o prevenir la obesidad se centran en

disminuir la acumulación de tejido adiposo buscando el balance energético. En

este sentido, existen diversos tratamientos para la obesidad, que van desde la

terapia dietética, aumento de la actividad física y terapia conductual (Kaila &

Raman, 2008). No obstante, los avances sobre las bases moleculares de la

obesidad y su asociación con enfermedades hacen a ciertos biomarcadores en

el genoma un candidato viable para la prevención de este problema de

magnitudes mundiales (Gao & Liu, 2014).

Un tema actual de mucho interés es identificar genes candidato que

puedan ser utilizados como biomarcadores de riesgo y herramienta en el diseño

de planes de alimentación, que aún no ha sido elucidado por completo y se

requieren más estudios de asociación genética para implementarlos en la

nutrición clínica.

19

1.1. Definición del problema

El exceso de grasa corporal, característico de la obesidad, se relaciona

con complicaciones severas como: resistencia a la insulina, diabetes mellitus tipo

2, enfermedades cardiovasculares y algunos tipos de cáncer (Jensen et al., 2013;

Jung & Choi, 2014; Skinner, Perrin, Moss & Skelton, 2015).

No solo la obesidad es un factor de riesgo para diversas enfermedades

metabólicas severas, sino que complican su tratamiento y recuperación. De tal

forma que los pacientes con enfermedades cardiovasculares reducen su

esperanza de vida si tienen sobrepeso (2-4 años menos) u obesidad (8-10 años)

(Prospective Studies Collaboration, 2009). Además la obesidad mórbida

(IMC>40kg/m2) se ha reconocido como un factor de riesgo para: hiperlipidemia,

asma y artritis e incrementa siete veces el riesgo de diabetes tipo 2 (OR, 7,37; IC

del 95%, 6,39-8,50) y de hipertensión (OR, 6,38; IC del 95%, 5,67- 7.17) (Mokdad

et al., 2003).

De acuerdo con datos de la organización “Colaboración de enfermedades

no transmisibles con factores de riesgo” (NCD-RisC, por sus siglas en inglés), las

cifras de obesidad van en aumento siempre con mayor prevalencia en mujeres

que en hombres en cualquier grupo etario (Trends NCD-RisC †, 2016). En el año

2016, la OMS reportó que en el mundo 1.9 billones de adultos padecen

sobrepeso, de los cuales 650 millones tienen obesidad (OMS, 2016). Así mismo,

la Organización para la Cooperación y el Desarrollo Económicos (OCDE), reportó

que México se encuentra en el segundo lugar en obesidad (Obesity Update,

2017). En este sentido, los datos más recientes de la Encuesta Nacional de Salud

y Nutrición (ENSANUT), señalan que más del 70 % de los adultos en el país

padecen sobrepeso u obesidad, muy por encima de la media internacional

(ENSANUT, 2016).

El costo de estas condiciones se ha convertido en un serio problema

económico para el sector salud. El Instituto McKinsey (McKinsey Global Institute)

reportó que, a nivel mundial, la obesidad impone costos equivalentes a 2.8% del

20

producto interno bruto global. Esto también afecta al presupuesto de las familias,

los sistemas de salud y las finanzas públicas de los países (McKinsey &

Company, 2014). En México, el costo anual de la atención médica para la

obesidad, la diabetes y las enfermedades cardiovasculares en 2012 fue de

alrededor de siete mil millones de dólares (Alcalde-Rabanal, Orozco-Núñez,

Espinosa-Henao, Arredondo-López & Alcayde-Barranco, 2018).

El incremento en la prevalencia y el gasto dirigido a la obesidad, puede ser

explicado parcialmente por la dificultad en el tratamiento para reducir el peso

corporal. Aunque los esfuerzos han sido dirigidos hacia la dieta y el ejercicio, los

resultados son poco prometedores y el paciente tiende a recuperar el peso

perdido debido a la baja adherencia a los diversos planes de alimentación. Sin

embargo, los estudios sobre los efectos de las variaciones genéticas en la

respuesta a la dieta están elucidando las bases para el tratamiento personalizado

de la obesidad con mayores probabilidades de adherencia y éxito (Weinsier,

Hunter, Heini, Goran & Sell, 1998; Solas, Milagro, Martínez-Urbistondo, Ramirez

& Martínez, 2016). No obstante, los investigadores aún están en el proceso de

integrar investigación de ciencia básica con la clínica y aplicar los resultados a la

atención del paciente (Skelton, DeMattia, Miller & Olivier, 2006). Para lo anterior,

se requiere elucidar aquellas variantes genéticas que están relacionadas con el

desbalance energético y que a su vez se puedan utilizar como biomarcadores

coadyuvantes en el diseño de planes dietéticos personalizados. Por lo anterior,

el objetivo del presente estudio fue evaluar la asociación de los polimorfismos

rs6265 y rs7934165 del gen BDNF con fenotipos de obesidad en mujeres

postmenopáusicas.

21

2. ANTECEDENTES

2.1. Obesidad

La obesidad es una condición compleja, altamente prevalente y

multifactorial; predispone a enfermedades metabólicas severas como diabetes

tipo 2, enfermedades cardiovasculares y síndrome metabólico. La epidemia de la

obesidad ha alcanzado proporciones de magnitudes globales (OMS, 2016). En

México, la situación es alarmante ya que supera la media internacional en niños

y adultos. En las últimas décadas se ha observado un constante aumento en la

prevalencia de obesidad y sobrepeso en la población mayor a 20 años (Figura

1). De acuerdo con estos datos de la ENSANUT desde el año 2000 al 2016, las

mujeres muestran mayores cifras de prevalencia.

Figura 1. Prevalencia de obesidad en adultos mayores de 20 años por sexo y encuesta Fuente: ENSANUT 2000, 2006, 2012, 2016

Si estas tendencias continúan, para 2025, la prevalencia mundial de la

obesidad alcanzará el 18% en los hombres y superará el 21% en las mujeres

(Trends NCD-RisC †, 2016).

0

5

10

15

20

25

30

35

40

45

2000 2006 2012 2016

Total Sobrepeso Total Obesidad Sobrepeso hombres

Obesidad hombres Sobrepeso mujeres Obesidad mujeres

22

2.2. Etiología

El peso y composición corporal dependen del balance entre la ingesta y el

gasto de energía. A su vez, el balance energético, está controlado por la

alimentación, la actividad física y diversos factores neuroendocrinos, todos

regulados por factores genéticos (Marti, Martinez-González & Martinez, 2008;

Van Vliet-Ostaptchouk, Snieder & Lagou, 2012). Dentro de los factores más

estudiados en la etiología de la obesidad, se encuentran la alimentación

inadecuada (en cantidad y distribución de nutrientes), así como la falta de

actividad física (sedentarismo). Sin embargo, las estrategias para reducción de

peso, modificando dieta y actividad física no han resuelto la pandemia de

obesidad, sugiriendo que este proceso no es tan sencillo como se pensaba. Por

el contrario, la participación conjunta de diversos factores clásicos (alimentación

y actividad física) y alternativos (factores neuroendócrinos y genéticos), en el

desbalance energético, podrían explicar mejor las cifras pandémicas actuales de

obesidad y en un futuro favorecer al tratamiento.

2.2.1. Alimentación y obesidad

La selección de alimentos está influenciada por los hábitos en el hogar, y

el entorno sociocultural, así como el tipo de trabajo y el tiempo disponible para la

preparación de alimentos. Los avances tecnológicos y las jornadas laborales

extenuantes nos han llevado a incrementar el consumo de alimentos ultra

procesados. Estos alimentos se caracterizan por tener bajos contenidos de fibra

y alto contenido de sodio y grasa (energéticamente densos). De hecho, el acceso

a los alimentos ultra procesados, ha sido determinante en la presencia de

obesidad (Crino, Sacks, Vandevijvere, Swinburn & Neal, 2015).

En este contexto, es lógico intuir que una reducción en la densidad

energética y/o en el consumo de alimentos promueve la pérdida de peso. No

obstante, los tratamientos para la obesidad con dieta no son suficientes. Los

mecanismos fisiológicos contrarrestan la fuerza de voluntad y alteran el

comportamiento por medio de señales neuroendocrinas como: cambios en la

23

producción de leptina, otras hormonas y demás nutrientes neuromoduladores,

que desatan mecanismos para contrarrestar el déficit energético. Estos circuitos

operan a nivel hipotalámico, tallo cerebral y sistema límbico (Berthoud, 2011).

Siendo así, que aquellos individuos en un régimen moderado de alimentación son

de dos a cinco veces más propensos a desarrollar un trastorno alimentario (Hill,

2004). El proceso de pérdida de peso lleva a una compensación metabólica

pasiva, donde el gasto energético se reduce más rápido que los cambios en la

composición corporal. Este proceso es denominado termogénesis adaptativa y

funciona para conservar energía y evitar la pérdida de peso, trastocando el éxito

del tratamiento dietético de la obesidad (Major, Doucet, Trayhurn, Astrup &

Tremblay, 2008).

La regulación del balance energético es sumamente compleja e involucra

señales neuronales y hormonales entre el intestino y el sistema nervioso central

(SNC). Las hormonas, como el péptido similar al glucagón (GLP), oxitomodulina

(OXM), leptina, péptido tirosina-tirosina (PYY) y la colecistocinina (CCK), mandan

una señalización a las áreas del SNC que controlan el apetito. Se ha observado,

que los niveles séricos de estas hormonas aumentan después de una comida

(Simpson, Parker, Plumer & Bloom, 2011; Bataille & Dalle, 2014). En la regulación

neuroendocrina del balance energético, la saciedad es uno de los principales

procesos afectados en la obesidad. Esto es de especial importancia, ya que por

sí misma, puede causar un desbalance energético y aumento de peso corporal

(Hinney, Vogel & Hebebrand, 2010).

Las señales de saciedad son emitidas en el hipotálamo, principalmente por

la vía de leptina-melanocortinas, que sensa los niveles de energía almacenados

en el tejido adiposo, interpretando los niveles de leptina y emitiendo señales para

regular la ingesta calórica (do Carmo et al., 2013; Ceccarini, Maffei, Vitti & Santini,

2014). La leptina, es una hormona secretada en el tejido adiposo y circula en el

plasma en proporción a los niveles de grasa corporal (Remesar, Rafecas,

Fernández-López & Alemany, 1997; Trayhurn & Wood, 2004; Ouchi, Parker,

24

Lugus & Walsh, 2011). Posterior a la ingesta calórica, el tejido adiposo libera esta

hormona para comenzar las señales de saciedad, en el siguiente orden:

• La leptina atraviesa la barrera hematoencefálica y se une a sus

receptores (LEPR, Leptin Receptors, por sus siglas en inglés), exhibidos

en las neuronas secretoras de proopiomelanocortinas (POMC, Pro-

opiomelanocortin, por sus siglas en inglés) (Pritchard, 2002).

• Las neuronas POMC, secretan la hormona estimulante de melanocitos

alfa (αMSH, Alpha-Melanocyte Stimulating Hormone, por sus siglas en

inglés), que interacciona con los receptores de melanocortinas (MC4R,

Melanocortin 4 Receptor, por sus siglas en inglés), expresados en

neuronas de segundo orden (Biebermann, Kühnen, Kleinau & Krude,

2011; Mountjoy, 2015).

• Finalmente la unión de αMSH a MC4R promueven la secreción por parte

de las neuronas de segundo orden de péptidos anorexigénicos, como el

factor derivado de neurotrofinas (BDNF, Brain Derived Neurotrophic

Factor, por sus siglas en inglés) que promueve señales de saciedad y

detiene la ingesta calórica (Girardet & Butler, 2014).

Además de alteraciones a nivel neuroendocrino, las alteraciones en el

sistema circadiano pueden llevar a la presencia de obesidad y sus

comorbilidades como: enfermedades cardiovasculares, hipertensión y diabetes

tipo 2 (Froy, 2007). Esto debido a que diversas hormonas involucradas en el

metabolismo (insulina, glucagón, hormona del crecimiento y cortisol), muestran

variaciones circadianas con diferentes patrones diarios. Las variantes en genes

que codifican para estas hormonas y aquellos reguladores del ciclo circadiano se

han asociado en diversas poblaciones a la obesidad (Garaulet & Madrid, 2009).

En este tenor, se ha descrito que la obesidad es altamente heredable, sin

embargo, los miembros de la familia no solo comparten genes, sino también la

interacción entre la dieta y estilo de vida, por lo que los estudios para determinar

los genes implicados en la etiología de la obesidad deben ser realizados con

especial cautela (Gao & Liu, 2014).

25

2.2.2. Factores genéticos de la obesidad

Se ha estimado que la heredabilidad de la obesidad va de un 40% a 70%,

pero además con una característica poligénica en la que diversos genes

participan conjuntamente en la compleja etiología de la obesidad (Herrera &

Lindgren, 2010).

Estudios realizados en gemelos mono y dicigóticos mostraron fuertes

correlaciones con el Índice de Masa Corporal (IMC), incluso en pares criados

separados, sugiriendo que las influencias genéticas son fundamentales en las

variaciones de esta medida antropométrica; con mayor concordancia en gemelos

monocigóticos que en dicigóticos (Stunkard, Harris, Pedersen & McClearn, 1990;

Herrera y Lindgren, 2010). Estudios longitudinales en gemelos han mostrado que

la variación del IMC en función del ambiente, es mínima después de los 17 años

(Lajunen et al., 2009). Para otras medidas sugerentes de obesidad como la grasa

corporal, se ha reportado una heredabilidad del 60%, sin diferencias entre

hombres y mujeres (Price & Gottesman, 1991).

Los estudios de adopción sugieren, que la correlación de los hijos

adoptados con sus padres biológicos se debe a factores genéticos y la

correlación con sus padres adoptivos se debe a factores ambientales. En niños

adoptados, el IMC del individuo se correlaciona más estrechamente con los

padres biológicos (Sørensen, Holst & Stunkard, 1992; Sørensen, Holst &

Stunkard, 1997).

El componente heredable de la obesidad predispone a los individuos a un

incremento del IMC y, por ende, el desarrollo de sus comorbilidades (Li et al.,

2011). No obstante, la obesidad es multifactorial y la alimentación, así como los

factores neuroendocrinos, también tienen una participación en la ganancia de

peso. Probablemente a través de la interacción con algunos genes que regulan

los procesos biológicos de saciedad y apetito (Sonestedt et al., 2009).

26

El origen étnico de las poblaciones también juega un papel importante en

el desarrollo de la obesidad (Traurig et al., 2009). El Mestizo Mexicano, es una

mezcla reciente de al menos tres ancestrías (Europea, Africana y Amerindia) y

posee una subestructura genética muy particular (Santana et al., 2014). En este

sentido, se ha reportado que la ancestría amerindia, está relacionada con la alta

predisposición a la obesidad y a la diabetes tipo 2 en la población Mestiza

Mexicana (Mejía, Klünder, Yengo, Meyre, Aradillas & Cruz et al. 2013).

2.2.2.1. Variantes genéticas

En el año 2003 se secuenció completamente el genoma humano, que

tiene una longitud de 3200 millones de pares de bases nitrogenadas y alberga

alrededor de 25,000 genes que codifican las proteínas necesarias para el

funcionamiento de cada una de las células del organismo. Dentro de la secuencia

del ADN existen variaciones genéticas, es decir, cambios en la secuencia de

nucleótidos que permiten la diversidad interindividual de las poblaciones (Thapar

& Cooper, 2013). Las variantes genéticas que son comunes en los individuos

(mayor al 1%) se denominan polimorfismos. Estos pueden ser tan pequeños,

como el cambio de un solo nucleótido (SNP, Single Nucleotide Polymorphism,

por sus siglas en inglés), o incluir varias bases nitrogenadas como los de

repetición en tándem (STR, Short Tandem Repeat, por sus siglas en inglés), o

inserciones y deleciones en el genoma (Vignal, Milan, SanCristobal & Eggen,

2002).

Los polimorfismos son utilizados en los estudios de asociación genética

(EAG) para encontrar relaciones entre variantes en el genoma y distintos

fenotipos o enfermedades. Al año 2006, mediante los EAG, ya se tenían cientos

de genes candidatos para la obesidad principalmente en poblaciones Europeas

y Asiáticas (Visscher et al., 2012).

En las últimas décadas, el estudio para identificar la relación entre genes

y enfermedades o condiciones metabólicas, ha tomado otro enfoque. Ahora, los

estudios epidemiológicos en genética se basan en el principio de buscar

27

variantes en el genoma completo (GWAS, Genome Wide Association Studies,

por sus siglas en inglés) de pacientes con alguna condición y compararlo con el

genoma de individuos no afectados (Davey Smith & Ebrahim, 2003; Visscher et

al., 2017). Los GWAS buscan la correlación entre los SNPs a lo largo de todo el

genoma y la variación de alguna característica en una muestra individuos

(Fawcett & Barroso, 2010).

Los SNPs en genes clave, pueden alterar vías de señalización y afectar

actividades fisiológicas y por ende promover la susceptibilidad a distintas

patologías (Hegele, Jugenberg, Connelly, & Jenkins, 1997). El estudio de GWAS

identificar a miles de SNPs en cientos de genes asociados al IMC, al Índice

Cintura Cadera (ICC) y otras medidas de adiposidad (Figura 2) (Goodarzi, 2018).

Figura 2. Principales GWAS para los rasgos de adiposidad.

Modificado de: Goodarzi, 2018.

28

2.2.2.2. Genes implicados en la obesidad

La obesidad es multifactorial y además tiene una característica poligénica

en la que cientos de genes participan de manera conjunta en la etiología de esta

condición compleja. Entre los primeros genes relacionados a la obesidad se

encuentra el gen de fat to obesity (FTO), que se observó que distintos alelos de

susceptibilidad eran más comunes en pacientes con obesidad que en individuos

con peso normal (Speliotes et al., 2010).

Los genes implicados en la diferenciación neuronal del núcleo

paraventricular, juegan un rol en la vía de saciedad leptina-melanocortinas y se

han asociado a la hiperfagia (O'Rahilly & Farooqi, 2008). El esclarecimiento de

los mecanismos relacionados a la obesidad ha permitido postular al sistema

nervioso central como pieza clave para la regulación del balance energético. La

tabla I, muestra a diversos genes a lo largo del genoma, que participan en la

ingesta dietética y preferencias en los macronutrientes, así como su asociación

con medidas antropométricas sugerentes de obesidad (Bauer et al., 2009). De

estos destacan diversos genes que participan en la vía de saciedad de leptina-

melanocortinas (MC4R y BDNF), así como LYPLAL1 que aún se desconoce su

función principal, pero parece tener un rol fundamental en la regulación del

metabolismo energético y almacén de lípidos en los adipocitos (Hernández-

Tobías, et al., 2016).

Hasta la fecha, los estudios de asociación genética con la obesidad han

sido mayormente realizados en poblaciones europeas y asiáticas (Herrera &

Lindgren, 2010). En la población mexicana, algunas variantes se han relacionado

con distintos grados de obesidad (Tabla II). Entre estos genes destacan algunos

que participan en las vías de saciedad (MC4R, BDNF), en el gasto energético

(ADIPOQ) y en la termogénesis (UCP3).

29

IMC= Índice de masa corporal, CC = circunferencia de la cintura, ICC= Índice cintura cadera.

Tabla I. Genes asociados a variables de composición corporal Gen Variable Localización Estudio

NEGR1 IMC, CC, peso 1p31 (Willer et al., 2008), (Thorleifsson et al., 2008)

SEC16B, RASAL2 IMC, peso 1q25 (Thorleifsson et al., 2008)

LYPLAL1, ZC3H11B IMC, ICC, 1q41 (Lindgren et al., 2009)

SDCCAG8 IMC 1q43-q44 (Scherag et al., 2010)

TMEM18 2p25 (Willer et al., 2008), (Thorleifsson et al., 2008), (Scherag et al., 2010)

Cercano a ETV5 IMC, PESO 3q27 (Thorleifsson et al., 2008)

Cercano a GNPDA2 IMC 4p13 (Willer et al., 2008)

TFAP2B IMC, CC 6p12 (Lindgren et al., 2009)

NCR3, AIF1 y BAT2 Peso 6p21 (Thorleifsson et al., 2008)

PRL IMC 6p22.2-p21.3 (Meyre et al., 2009)

MSRA IMC, CC 8p23.1 (Lindgren et al., 2009), (Scherag et al., 2010)

PTER

IMC 10p12 (Meyre et al., 2009)

MTCH2 11p11.2 (Willer et al., 2008)

BDNF 11p14 (Thorleifsson et al., 2008)

C12orf51/PTPN11 ICC 12q24 (Cho et al., 2009)

FAIM2, BCDIN3D IMC, PESO 12q13 (Thorleifsson et al., 2008)

NRXN3 IMC, CC 14q31 (Heard-Costa et al., 2009)

SH2B1

IMC

16p11.2 (Willer et al., 2008), (Thorleifsson et al., 2008)

MAF 16q22-q23 (Meyre et al., 2009)

FTO 16q22.2 (Frayling et al., 2007), (Scuteri et al., 2007), (Chambers et al., 2008), (Willer et al., 2008),

(Thorleifsson et al., 2008), (Meyre et al., 2009), (Scherag et al., 2010)

NPC1 18q11.2 (Meyre et al., 2009)

MC4R 18q22 (Chambers et al., 2008), (Willer et al., 2008), (Thorleifsson et al., 2008), (Meyre et al., 2009) (Scherag

et al., 2010), (Loos et al., 2008)

KCTD 15 IMC, PESO 19q13.11 (Willer et al., 2008), (Thorleifsson et al., 2008)

30

Tabla II. Genes asociados a obesidad en población mexicana

Gen SNP Grado de

obesidad

Obesidad / peso normal Obesidad grado I/II / peso normal Obesidad III / peso normal

OR (95% IC) P OR (95% IC) P OR (95% IC) P

ADIPOQ rs2241766 General 2.34 (1.07-5.12) 0.033 2.76 (1.23-6.19) 0.014 1.26 (0.37-4.22) 0.713

UCP3 rs1800849 I-II 1.25 (0.97-1.62) 0.085 1.33 (1.00-1.77) 0.050 1.09 (0.77-1.56) 0.632

FTO rs9939609 General 1.42 (1.15-1.76) 0.001 1.19 (0.93-1.52) 0.174 1.88 (1.44-2.45) 3.4x10-6

TMEM18 rs6548238 General

I-II 1.57 (1.17-2.12) 0.003 1.74 (1.23-2.46) 0.002 1.29 (0.87-1.91) 0.200

INSIG2 rs7566605 General

I-II 1.33 (1.08-1.63) 0.006 1.38 (1.10-1.74) 0.005 1.23 (0.92-1.63) 0.161

FAIM2/BCDIN3 rs7138803 General

I-II 1.88 (1.05-3.37) 0.034 1.93 (1.03-3.61) 0.040 1.76 (0.84-3.65) 0.132

BDNF rs6265 General

III 1.33 (1.01-1.74) 0.044 1.21 (0.89-1.63) 0.222 1.59 (1.09-2.32) 0.017

SH2B1 rs7498665 I-II 1.12 (0.94-1.33) 0.195 1.21 (1.00-1.46) 0.047 0.97 (0.78-1.22) 0.799

MC4R rs17782313 III 1.24 (0.89-1.72) 0.198 0.98 (0.68-1.42) 0.923 1.85 (1.23-2.80) 0.003

Obtenido y modificado de: León-Mimila et al., 2013.

31

Se han encontrado diversos loci asociados a obesidad en población

mexicana (León-Mimila et al., 2013). Además de obesidad en general, existen

diversos autores que han encontrado asociación con circunferencia de cintura,

índice cintura cadera, e IMC en población adulta y pediátrica (Duran-Gonzalez et

al., 2011; Villamil-Ramírez et al., 2016; Turcotte et al., 2018).

Dentro de los genes implicados en la obesidad, destaca la asociación de

las variantes genéticas en la regulación de la saciedad, entre ellos BDNF.

Estudios en modelos animales, sugieren que la proteína BDNF participa en la

regulación de la ingesta de alimentos (Lapchak & Hefti, 1992). Años más tarde,

se encontró que la infusión de BDNF en el ventrículo lateral de ratas adultas

induce la supresión del apetito y la pérdida de peso (Pelleymounter, Cullen, &

Wellman, 1995).

Estudios en humanos sobre el gen BDNF, fueron realizados por Gray y

colaboradores (2006), que reportaron por primera vez la importancia de este gen

en humanos en una paciente femenina de 8 años heterocigota que presentaba

una inversión cromosomal que abarcaba el gen BDNF, la paciente tenía

hiperfagia, obesidad temprana y problemas cognitivos (Hoffmann, Sgro & Weeks,

2004).

2.2.2.3. Generalidades de BDNF

BDNF es una neurotrofina implicada en diversas funciones del cerebro,

por ejemplo, desarrollo neuronal, la señalización durante el neurodesarrollo y la

plasticidad sináptica (Binder, & Scharfman, 2004). Entre sus otros roles se

encuentra la inhibición del apetito, aspectos conductuales, hiperactividad y

procesos cognitivos (Pelleymounter, Cullen & Wellman, 1995). Su liberación es

controlada por el estado nutricional de los individuos y juega un rol como factor

anorexígeno (Lommatzsch et al., 2005). El gen que codifica para esta proteína

presenta polimorfismos asociados que han sido asociados con obesidad

(Speliotes et al., 2010). Está localizado en el locus 11p13-14, región que también

32

ha sido relacionada con desorden bipolar y con un mayor IMC en estos pacientes.

El gen BDNF tiene nueve exones (I-IX) con promotores independientes y pocas

formas de corte y empalme alternativas (Figura 3) (Aid, Kazantseva, Piirsoo, Palm

& Timmusk, 2007). Los ARN mensajeros se traducen en pro-BDNF que sufre

modificaciones post-traduccionales para producir una proteína madura. En el gen

BDNF se han identificado cientos de SNPs que generan al menos 22 isoformas

de ARN mensajero (Timmusk et al., 1993; Aid, et al., 2007; Neves-Pereira et al.,

2002; Sklar et al., 2002).

Figura 3. Ubicación del gen BDNF y polimorfismo rs6265.

Modificado de: Morales Marín., et al., 2016.

Debido a que sólo el exón IX contiene la región codificante, todos estos

transcritos forman una forma del polipéptido de BDNF. Tal estructura genética

sofisticada puede afinar su regulación transcripcional en diferentes tipos celulares

y por diferentes actividades neuronales (Zheng, Zhou, Moon & Wang, 2012).

A nivel hipotalámico la proteína BDNF se une al receptor TrkB y promueve

las señales de saciedad para disminuir la ingesta calórica, el gasto energético y

el peso corporal. Estudios realizados en roedores tratados con fármacos

estimulantes de BDNF, demostraron que tenía la capacidad de reducir la ingesta

calórica. Así mismo los modelos animales con el gen BDNF y TrkB silenciados,

demostraron que esta vía era indispensable para evitar la obesidad causada por

hiperfagia (Lebrun, Bariohay, Moyse, & Jean, 2006). En humanos, los estudios

33

de asociación genética han sugerido una asociación entre variantes genéticas en

BDNF y TrkB con la obesidad en adultos y niños (da Fonseca, Mastronardi, Johar,

Arcos-Burgos & Paz-Filho, 2017). Así mismo, los niveles circulantes de BDNF se

han asociado con la obesidad y con diabetes tipo 2 (Tonra et al., 1999).

El estudio de genes candidato y GWAS sugiere que varios SNPs en el gen

BDNF están asociados con un aumento del IMC, circunferencia de cadera y peso.

Mostrando una fuerte asociación con IMC seguido de circunferencia de cadera y

peso en población puertorriqueña (Ma et al., 2012). Así mismo, se ha reportado

la asociación de este SNP con la obesidad y el IMC en la población Belga,

Mexicana, Japonesa y Americana (Beckers et al., 2008; Hotta et al., 2009; León-

Mimila et al., 2013; Timpano, Schmidt, Wheaton, Wendland, & Murphy, 2011). No

obstante, los resultados son discrepantes ya que, en estudios realizados en

Islandia, Grecia y Croacia, no se ha observado alguna relación de este SNP con

la obesidad, el sobrepeso o el IMC (Rouskas et al., 2012; Skledar et al., 2012;

Thorleifsson et al., 2008).

2.3. Diagnóstico de la obesidad

Actualmente el IMC es la ecuación más utilizada para hacer el diagnóstico

de obesidad y sobrepeso. Este índice es una estimación que divide el peso actual

entre el cuadrado de la estatura (kg/m2). Para la interpretación existen puntos de

corte brindados por la OMS, que permiten hacer el diagnóstico de sobrepeso

(IMC ≥ 25.0 kg/m2) y obesidad (IMC ≥ 30.0 kg/m2). Aunque este índice había sido

ampliamente reconocido como un estimador del riesgo en salud y de la grasa

corporal, hoy en día se sabe que su especificidad y sensibilidad es baja para el

diagnóstico de obesidad (Nuttall, 2015).

Con base en la definición de la obesidad de la OMS, como un exceso en

la acumulación de grasa que puede ser perjudicial para la salud, el diagnóstico

de obesidad también puede realizarse en función del porcentaje de grasa

corporal del individuo. Para realizar esta medida antropométrica,

34

tradicionalmente se utilizaban los pliegues cutáneos (Tanner, & Whitehouse,

1975; Reilly, 2003). Actualmente las técnicas antropométricas para la estimación

de la composición corporal utilizan plicometría, bioimpedancia eléctrica, índice de

cintura cadera y densitometría mineral para estimar el porcentaje de grasa

corporal (Brodie, Moscrip & Hutcheon, 1998).

El Índice Cintura Cadera (ICC) es el cociente de dichas circunferencias, ha

sido utilizado para determinar la grasa central del individuo y predecir los riesgos

de enfermedad relacionados a la obesidad (Peltz, Aguirre, Sanderson, & Fadden,

2010) (Tabla III).

Tabla III. Puntos de corte para riesgo de complicaciones metabólicas

Indicador Puntos de corte Riesgo de complicaciones

metabólicas Circunferencia de cintura >94 cm (H); >80 cm (M) Incrementado Circunferencia de cintura >102 cm (H); >88 cm (M) Sustancialmente

incrementado ICC ≥0.90 cm (H); ≥0.85 cm (M) Sustancialmente

incrementado Fuente: OMS 2008

Sin embargo, las técnicas directas de estimación de grasa corporal son

más adecuadas para el diagnóstico preciso de la obesidad. Entre ellas se

encuentra la bioimpedancia eléctrica y la absorciometría dual de rayos X (DXA,

Dual X-ray Absorciometry, por sus siglas en inglés) (Williams et al., 2006). Esta

última técnica fue originalmente desarrollada para analizar el contenido óseo,

pero ha demostrado ser una herramienta altamente sensible para la

determinación de la composición corporal (Brodie, Moscrip & Hutcheon, 1998).

35

2.4. Clasificación de la obesidad de acuerdo con la composición corporal

Aunque las mediciones antropométricas de grasa corporal son cada vez

más exactas, y que la definición de obesidad se basa en el exceso de grasa

corporal, aun no existen puntos de corte para el porcentaje de grasa y la

clasificación de obesidad (Gallagher et al., 2000).

En el año 2006, se describió por primera vez el término obesidad con peso

normal (NWO, Normal Weight Obesity, por sus siglas en inglés), observándose

la asociación entre el peso normal y un alto contenido de grasa con anomalías o

alteraciones metabólicas. Los individuos con NWO se caracterizan por un peso

normal (IMC 18-24.9 kg/m2) y un porcentaje de grasa corporal mayor a 30% (De

Lorenzo, Martinoli, Vaia, & Di Renzo, 2006). Estos individuos se han relacionado

con una serie de alteraciones metabólicas y se presume que es debido al elevado

porcentaje de grasa corporal.

Así mismo y con riesgos similares a NWO, se han descrito a otros

fenotipos de obesidad como: sujetos metabólicamente obesos con peso normal

(MONW, Metabolically Obese Normal Weight, por sus siglas en inglés) e

Individuos metabólicamente sanos obesos (MHO, Metabolically Healthy Obese,

por sus siglas en inglés) (Karelis, Brochu, Rabasa-Lhoret, Garrel & Poehlman,

2004).

2.5. Tratamiento

Los tratamientos para la obesidad son diversos y corresponden al grado

de IMC y complicaciones del paciente. Uno de los tratamientos tradicionales es

la intervención dietética, en la que el individuo es sometido a distintos tipos de

alimentación para reducir el peso corporal. Existen diversos planes de

alimentación saludables y adecuados para la población general como: dietas

hiperprotéicas, hipocalóricas, bajas en grasa, etc. La investigación en nutrición

clínica ha demostrado que ningún patrón de alimentación es mejor que otro, pero

36

que cada paciente se apega mejor a cierto tipo de alimentación (Walsh et al,

2013).

Además del tratamiento dietético, el aumento de la actividad física ha sido

utilizada en la reducción de peso, debido a que puede aumentar el gasto

energético (Wiklund, 2016). No obstante, algunos estudios indican que la

actividad física por sí sola, solo induce una reducción del 2% al 3% del IMC, por

ello debe ir a la par con la terapia nutricional (Garrow & Summerbell, 1995).

La farmacoterapia es parte del tratamiento para el control de peso, hay

una gran variedad de agentes que se han probado en el tratamiento de la

obesidad, actualmente solo la metformina y el orlistat están aprobados para su

uso en la reducción de peso. Sin embargo, la farmacoterapia está indicada para

personas que no pueden reducir el peso con modificación del estilo de vida. Los

procedimientos quirúrgicos solo están indicados en pacientes con obesidad

severa (Kaila & Raman, 2008). La tabla IV muestra el tipo de tratamiento

adecuado para el manejo de la obesidad.

Tabla IV. Guía para la selección del tratamiento de la obesidad

Tratamiento Categoría de índice de masa corporal kg/m2

25-26.4 27-29.9 30-34.9 35-39.9 ≥40 Dieta ejercicio y terapia conductual

+ + + + +

Farmacoterapia -

Con comorbilidades + + +

Cirugía - - -

Con comorbilidades +

Modificado de Goodwin, 2002.

37

3. JUSTIFICACIÓN

La obesidad muestra cifras pandémicas, se estima que para el 2030 más

de la mitad de la población tendrá obesidad. En México, la prevalencia de

obesidad ha aumentado más de 10% en menos de 20 años, si esta aceleración

continúa, en diez años más, las comorbilidades de la obesidad causarán una

pérdida de más del 6% del producto interno bruto, es decir cientos de millones

de dólares al año (OMENT, 2017).

Además del cargo económico, la obesidad es el principal factor de riesgo

para enfermedades metabólicas severas como diabetes tipo 2, enfermedades

cardiovasculares y ciertos tipos de cáncer. Lo que hace necesario, la solución y

disminución de las cifras de prevalencia. Sin embargo, la obesidad es una

condición compleja altamente heredable y multifactorial, lo que hace más

complejo el tratamiento.

Las modificaciones dietéticas personalizadas son las que tienen mayores

probabilidades de éxito en la reducción de peso corporal. No obstante, las

herramientas para ajustar una dieta al paciente son limitadas y se basan en

entrevistas y medidas antropométricas. La nutrigenética ofrece una nueva forma

de hacer dietas más personalizadas, con base en el genotipo del individuo. Sin

embargo, los estudios de asociación genética, necesarios para desarrollar dichos

planes de alimentación, se han realizado principalmente en poblaciones

europeas y asiáticas; por lo que los datos de esta investigación básica no pueden

ser extrapolados al mestizo mexicano, que tiene una arquitectura genética muy

peculiar y distinta a la de estas poblaciones.

Debido a lo anterior, es necesario realizar estudios que indiquen cuales

son los genes que pueden servir como biomarcadores de susceptibilidad y en el

desarrollo de dietas personalizadas. Entre los genes candidato para la etiología

de la obesidad, se han destacado aquellos que participan en procesos biológicos

38

que llevan a esta condición (apetito, saciedad, gasto energético, etc.). Dentro de

la vía de saciedad, el gen BDNF ha sido uno de los principales implicados y su

función ha sido esclarecida con modelos in vivo e in vitro. Sin embargo, los

estudios de asociación genética han despertado incertidumbre por la

discrepancia en resultados entre poblaciones

Los datos obtenidos al realizar la presente investigación nos brindaron

información relevante, así como nuevos hallazgos en el campo de la nutrición y

genética poblacional con el gen BDNF en el noreste del país, para determinar la

posible asociación de polimorfismos en este gen con la composición corporal en

las mujeres postmenopáusicas de esta región.

39

4. HIPÓTESIS

Los polimorfismos rs6265 y rs7934165 del gen BDNF se asocian con

fenotipos de obesidad en mujeres postmenopáusicas.

5. OBJETIVOS

5.1. Objetivo General

Evaluar la asociación de los polimorfismos rs6265 y rs7934165 del gen

BDNF con características antropométricas relacionadas con obesidad, en

diferentes fenotipos de obesidad en mujeres postmenopáusicas.

5.2. Objetivos específicos

1.- Identificar las características antropométricas y de composición corporal de

un grupo de mujeres postmenopáusicas.

2.- Clasificar a la población de acuerdo con los fenotipos de composición corporal

con base en el Índice de Masa Corporal.

3.- Identificar las frecuencias alélicas y genotípicas de los polimorfismos rs6265

y rs7934165 del gen BDNF en la población de estudio y en cada uno de los

grupos divididos por la composición corporal.

4.- Determinar la asociación de los polimorfismos rs6265 y rs7934165 del gen

BDNF con medidas antropométricas vinculadas con obesidad, en los fenotipos

de obesidad de la población de estudio.

40

6. MATERIALES Y MÉTODOS

6.1. Diseño del estudio

Es un estudio descriptivo, transversal y correlacional; parte de una

investigación previa realizada entre marzo del 2014 y julio 2015 (Escamilla-

Méndez, 2016). Los sujetos de estudio fueron mujeres postmenopáusicas

residentes del área metropolitana de Monterrey, Nuevo León, México. El tipo de

muestreo fue a conveniencia, por factibilidad. Las participantes fueron mujeres

aparentemente sanas. Se excluyeron todas aquellas que cursaran algún tipo de

patología o alteración biológica que interfiriera con las variables fenotípicas, como

infecciones agudas al momento de la toma de muestras biológicas,

enfermedades crónicas como síndrome de ovario poliquístico,

hiperparatiroidismo, fibrosis quística, hipogonadismo, enfermedad hepática

crónica, diagnóstico de osteopenia, enfermedades óseas o bien con menopausia

prematura y falta de información en la captura de datos. Aquellas pacientes con

prescripción médica para fármacos fueron eliminadas. Adicionalmente, se

eliminaron de la base de datos todas las pacientes que no contaran con

expediente completo, falta de material genético y aquellas que decidieron

retirarse del estudio.

La parte experimental de esta investigación se llevó a cabo en dos centros

de investigación. La primera parte de la investigación se desarrolló en el Centro

de Investigación en Nutrición y Salud Pública (CINSP) de la Facultad de Salud

Pública y Nutrición (FaSPyN) de la Universidad Autónoma de Nuevo León

(UANL). La segunda parte de la investigación se llevó a cabo en el Laboratorio

de Genómica del Metabolismo Óseo, en el Instituto Nacional de Medicina

Genómica (INMEGEN). El proyecto fue aprobado por el Comité de Investigación

de la Facultad de Salud Pública y Nutrición de la UANL (número de registro 15-

FaSPyN-SA-15. P.). Previo consentimiento informado de todas las participantes

en concordancia con el Reglamento de la Ley General de Salud en Materia de

Investigación para la Salud (Secretaría de Salud, 1998).

41

6.2. Estrategia General

Se utilizó una base de datos realizada previamente (Escamilla-Méndez

2016). Se contó con un total de 202 expedientes, de los cuales se seleccionaron

aquellos que cumplieran con todos los criterios de inclusión. Además de tener los

datos completos de composición corporal, antropometría y muestra de ADN

disponible en el biobanco del laboratorio de genética y biología molecular. Para

cumplir con los objetivos establecidos, se siguió la estrategia general que se

muestra en la figura 4.

La genotipificación de los polimorfismos rs6265 y rs7934165 del gen de BDNF se

llevó a cabo mediante la técnica de reacción en cadena de la polimerasa en

tiempo real (qPCR), utilizando sondas TaqMan®. Para los análisis estadísticos

se utilizaron softwares de bioinformática como Arlequin suite 3.5 (Excoffier, L. &

Lischer, H.E. L., 2010) y PGDspider (Excoffier, L. & Lischer, H.E. L.2010, 2012)

para el procesamiento y obtención de datos.

42

Figura 4. Estrategia general del trabajo

Base de datos

Objetivo 1. Análisis de

antropometría y

composición corporal

Biobanco del laboratorio

de genética

Discriminación alélica de

la población

Análisis de la población

con softwares de

bioinformática

Objetivo 2. Estratificación

de la población de

acuerdo con su fenotipo

de obesidad

Objetivo 3. Análisis de

las frecuencias alélicas

Integración de la información a las

bases de datos

Objetivo general.

Análisis de asociación

genética mediante

estadística inferencial

43

6.3. Obtención de la información

La selección de los individuos se realizó a partir de las bases de datos de

proyectos previos. Se incluyeron mujeres con expediente completo de estudios

de composición corporal, antropometría y ADN disponible del biobanco del

laboratorio Genética y Biología Molecular del Centro de Investigación en Nutrición

y Salud Pública (CINSP).

6.4. Estudios y variables composición corporal

Las mediciones antropométricas y de composición corporal fueron

realizadas previamente (Escamilla-Méndez, 2016). La metodología usada se

describe a continuación.

6.5. Metodología para las mediciones antropométricas

La toma de talla en las pacientes fue realizada mediante el uso un

estadiómetro de la marca SECA®, siguiendo protocolos estandarizados; se

colocó a la paciente con los talones, glúteos, espalda y región occipital en

contacto con el plano vertical del estadiómetro. Seguido de esto, se pidió que

realizaran una respiración profunda al momento de realizar la medida para

compensar el acortamiento de los discos intervertebrales, esto manteniendo la

cabeza del paciente en plano de Frankfurt viendo hacia el frente. Los brazos

permanecieron en descanso, relajados a los costados del cuerpo, posteriormente

se tomó la escuadra y se emparejó al vertex (punto superior de la cabeza en el

plano medio sagital). El registro de la talla se realizó tres veces para evitar errores

y sesgos.

Las mediciones de peso se llevaron a cabo con el equipo Tanita® BC554.

Se colocó el equipo en una superficie plana estable, una vez el equipo iniciado

se esperó a marcar valores de cero kilogramos, seguido de esto se colocó a la

participante en el centro de la superficie en posición estándar erecta de espaldas

cuidando que su cuerpo no estuviera en contacto con nada para distribuir el peso

44

de manera equivalente en ambos pies, esto, cuidando que ambas extremidades

superiores permanecieran en descanso sin ejercer algún tipo de presión.

El índice de masa corporal (IMC) se obtuvo de las mediciones de peso,

expresado en kilogramos, sobre la estatura en metros, dividiendo el peso en

kilogramos entre el cuadrado de la altura de la persona en metros (kg/m2).

��� = � ��� � 2

La circunferencia de cintura se midió según los criterios establecidos por

la OMS: con una cinta de acero flexible de 1.5 metros de largo calibrada en

centímetros con graduación milimétrica marca Lufkin, se procedió a colocarla a

la altura de la mitad de la axila, en el punto que se encuentra entre la parte inferior

de la última costilla falsa flotante unida a la vértebra 11 y la parte más alta de la

cadera en espiración.

La medición de la circunferencia de cadera se realizó con el mismo

protocolo previamente mencionado con la cinta de acero flexible marca Lufkin, a

nivel de los trocánteres mayores, que coinciden con la sínfisis pubiana.

El índice cintura-cadera (ICC) fue calculado dividiendo la circunferencia en

cintura en centímetros, entre la circunferencia de cadera también en centímetros.

��� = �� � �� �

45

6.6. Identificación de los fenotipos de obesidad

Con los valores antropométricos identificados en cada una de las

pacientes en la base de datos, se utilizó la talla en metros y el peso en kilogramos

para la obtención del índice de masa corporal. Se procedió a clasificar a la

población de acuerdo con su IMC con los criterios de la OMS: sujetos normales,

con sobrepeso y obesidad (tabla V).

Tabla V. Fenotipos de acuerdo al Índice de Masa Corporal

Clasificación Principales puntos de corte en IMC (kg/m2)

Normal 18.50 - 24.99

Sobrepeso 25.00 - 29.99

Obesidad ≥30.00

IMC: Índice de masa corporal, Fuente: OMS, 2016

6.7. Metodología para la obtención de la composición corporal

La determinación de los valores de composición corporal se obtuvo de los

expedientes de las participantes. La técnica utilizada para la obtención de estos

valores fue la absorciometría dual de rayos X (DXA) por medio del densitómetro

Lunar PRODIGY Advance, modelo 301264, General Electric. Las variables de

composición corporal obtenidas fueron porcentaje de grasa total, tronco, androide

y ginoide, kilogramos de masa grasa en tronco, kilogramos de masa grasa

androide y ginoide, kilogramos de masa grasa y masa magra. Se les pidió a las

participantes despojarse de todo tipo de objetos metálicos de su persona y portar

ropa ligera ajustada y un ayuno de tres horas previas como mínimo previo a las

mediciones por DXA. La medición capturada fue de cuerpo completo, en la cual

la participante se encontraba recostada boca arriba en el plano medio de la mesa

del equipo, en posición anatómica de cúbito supino, extremidades superiores

extendidas a lo largo del cuerpo, palmas relajadas en la superficie de la mesa,

piernas extendidas con los tobillos sujetados por cintas ajustables y la punta de

los dedos apuntando hacia arriba. Al momento de la medición la paciente

46

permaneció inmóvil relajada con los ojos cerrados hasta que terminara de

trabajar el equipo.

6.8. Determinaciones y variables genéticas

6.8.1. Extracción de sangre

El material genético se obtuvo del biobanco del laboratorio de genética y

biología molecular del CINSP. Las respectivas muestras son procedentes de

investigaciones previas y obtenidas a partir de 5 ml de sangre total periférica de

las participantes. La sangre fue extraída por personal capacitado siguiendo los

protocolos establecidos para realizar flebotomías.

6.8.2. Extracción de ADN genómico

Después de la flebotomía, las muestras de sangre fueron procesadas, la

obtención del material genético se realizó a partir de células leucocitarias por el

método de buffer de lisis TSNT (Sambrook & Russell, 2006). Para ochenta de las

muestras se utilizó el Kit QIAamp DNA Blood Midi/Maxi (QIAGEN, USA).

El protocolo para extracción de ADN tiene sus principios fundamentados

en una serie de pasos básicos, los cuales en orden son: la disrupción o lisis

celular que consiste en la ruptura de la bicapa lipídica de las membranas

celulares por medio de tratamientos con detergentes, agentes quelantes

(secuestran cationes que estabilizan la membrana) y soluciones hipotónicas. La

eliminación de proteínas e inactivación de nucleasas celulares como DNAsas,

RNAsas, separación de los ácidos nucleicos de los restos celulares por

precipitación con alcoholes, lavado para eliminar restos de reactivos y solventes

y resuspensión del material genómico (Tan & Yiap, 2009). El método empleado

es una modificación del propuesto en el manual “Gentra Puregen Handbook”

(2014).

47

6.8.3. Cuantificación de los ácidos nucleicos

Para observar la calidad y la concentración de los ácidos nucleicos

extraídos, se utilizó el equipo NanoDrop 2000 de Thermo Scientific®, siguiendo

el protocolo establecido, brevemente se describe:

Tomar 1 μL de agua desionizada para limpiar el lente y bajar el brazo del

equipo para su calibración. Posteriormente, limpiar ambas superficies ópticas con

un paño kimwipes®. Elegir la constante adecuada para medición en este caso

ácidos nucleicos. Depositar 1 μL de muestra de ácidos nucleicos en la superficie

óptica inferior, cerrar el brazo y seleccionar la opción “medir” en el software. El

equipo cuantificará de manera automática las concentraciones de ácidos

nucleicos y las relaciones de pureza. Una vez terminada la medición revisar la

salida espectral y verificar los valores de la relación 260/280, 260/230 y los

nanogramos de producto genómico (Desjardins & Conklin, 2010).

6.8.4. Diluciones y concentraciones de los ácidos nucleicos

Una vez cuantificadas las muestras de ácidos nucleicos se analizó la

cantidad de nanogramos por microlitro y el volumen en el que se encontraban

para realizar las diluciones y llevarlas a un volumen de 5 nanogramos por

microlitro. Se utilizó el software office Excel 2016 y la siguiente fórmula:

� � �ó � = � � �ó �

48

6.8.5. Genotipificación de los SNPs

Se trabajó con dos SNPs para analizar la asociación con las variables de

composición corporal (tabla VI). Se utilizó la técnica qPCR con el equipo

QuantStudio 7 Flex™ y el software versión 1.3 (Applied Biosystems, Foster City,

CA, EE.UU.) para la obtención de las frecuencias alélicas y genotipos.

Tabla VI. Características generales de los polimorfismos analizados en BDNF SNP Alelo Localización Región genética

rs6265 G/A 11:27679916 Exón 2

rs7934165 A/G 11:27731983 Intrón 1-2

BDNF= Brain Derived Neurotrophic Factor, por sus siglas en inglés. Modificado de: Marti et al., 2008.

6.8.6. Técnica de la reacción en cadena de la polimerasa en tiempo real

Para la obtención de las frecuencias alélicas y genotípicas de las muestras

de ADN se utilizó la técnica de qPCR. Para la discriminación alélica se utilizaron

sondas Taqman®, con las cuales se detectó el cambio de base en cada uno de

los alelos mediante los fluoróforos VIC® y FAM® en cada una de las muestras

de ADN, como se muestra en la tabla VII.

Tabla VII. Sondas de hibridación para los polimorfismos del gen BDNF rs Alelos Localización Secuencia VIC/FAM

rs6265 G>A 11:27658369 CATCCAACAGCTCTTCTATCA[G/A]GTGTTCGAAAGTGTCAGCCAA

rs7934165 A>G 11:27710436 AGCTAGTATCCAGAGTTCTGA[A/G]TTGGTGCAAAGACACAAAGG

BDNF= Brain Derived Neurotrophic Factor, por sus siglas en inglés. Tomado de: TaqMan® Assays (Applied Biosystems®).

49

6.8.6.1 Principio de las sondas Taqman

Las sondas TaqMan® están constituidas por un fluoróforo unido

covalentemente al extremo 5' de un oligonucleótido, y un anulador (quencher)

que absorbe la fluorescencia en el extremo 3'. El quencher inhibe la fluorescencia

del fluoróforo cuando es excitado por la fuente de luz del termociclador. Mientras

que el fluoróforo y el quencher estén próximos, no habrá señal fluorescente. Las

sondas TaqMan® están diseñadas para hibridar con una región específica de

ADN que va a ser amplificada por un par de oligonucleótidos específicos. A

medida que la Taq polimerasa sintetiza la cadena en sentido 3'-5', la actividad

exonucleasa 5'-3' de esta misma enzima degrada la sonda TaqMan® ya

hibridada al ADN (figura 5). La degradación de la sonda separa el fluoróforo del

quencher, permitiendo así la emisión de fluorescencia. La fluorescencia

detectada es directamente proporcional a la cantidad de fluoróforo liberado y, por

lo tanto, a la cantidad de ADN de interés presente en el producto de PCR

(Holland, Abramson, Watson & Gelfand, 1991).

Figura 5. Principio de discriminación alélica por sondas de hibridación Taqman®. Modificado de Thermofisher scientific, 2018.

50

6.8.7. Materiales, reactivos y manejo del equipo

Se hicieron cálculos para 105 reacciones por placa, como puede

observarse en la tabla VIII.

Tabla VIII. Reactivos y concentraciones para

la reacción en cadena de la polimerasa

Reactivos Concentración Volumen Master mix 2x 4.75 µL Sonda 40x 0.25 µL ADN genómico 5 ng/µl 5 µL Volumen final 10 µL

Antes de procesar las muestras en el termociclador, se procedió a preparar

los reactivos y materiales como se muestra en la tabla IX. Se preparó un

Mastermix (525 µL para 105 reacciones) y se dividió entre ocho que es el número

de tubos eppendorf en tira colocando 65.62 µL en cada tubo. Seguido de esto se

procedió a utilizar la pipeta multicanal y se tomaron 5 µL para dispensarlos en la

placa de qPCR con 96 pocillos. Se colocó mastermix en las 12 filas de la placa,

y se agregó 1 µL de producto genómico en cada uno de los pocillos, considerado

6 controles a lo largo de toda la placa. Una vez llena la placa se procedió a sellarla

con una cubierta especial adhesiva para evitar contaminación.

Tabla IX. Materiales para la Reacción en Cadena de la Polimerasa Materiales

Paños (Kimwipes®) PCR-Cooler (Eppendorf®)

Micropipeta Raine (0 - 10 μL) Placas de 96 pocillos (Applied Biosystem®)

Micropipeta Raine (10 – 100 μL) Puntillas para micropipeta (10 μL)

Pipeta multicanal eppendorf Puntillas para micropipeta (100 μL)

Tubos eppendorf de 1.5 ml Puntillas para pipeta multicanal

Tubos en tira eppendorf de 0.2mL Vórtex

Espectrofotómetro NanoDrop 2000 UV-

Vis Thermo Fisher scientific

Cubierta adhesiva para placas de qPCR

MicroAmp optical adhesive film (Applied

Biosystem®)

Microcentrífuga Termociclador QuantStudio™

51

Se procedió a preparar la plantilla en el software Quantstudio versión 1.3.

(AppliedBiosystems, Foster City, CA) con sistema operativo Windows, se

configuraron las condiciones de temperatura, ciclos, SNP y reporteros

VIC®/FAM® para correr el experimento (Tabla X).

Tabla X. Condiciones de temperatura de la reacción

Etapa Número de ciclos Tiempo Temperatura (°C)

I 1 10 minutos 95

II 45

15 segundos 95

60 segundos 60

III 1 30 segundos 60

°C= Grados Celsius

Una vez terminado el experimento se obtuvo la discriminación alélica de

cada muestra de ADN por medio de fluorescencia (Figuras 6 y 7). Los datos

fueron exportados a Excel para el análisis estadístico.

Figura 6. Dispersión de amplificación y discriminación alélica del SNP rs6265. Los gráficos fueron generados a partir del software QuantStudio™ v1.3. Los genotipos homocigotos G/G = azules, los homocigotos recesivos A/A =rojo, heterocigotos G/A = verde

52

Figura 7. Dispersión de amplificación y discriminación alélica del SNP rs7934165. Los gráficos fueron generados a partir del software QuantStudio™ v1.3. Los genotipos homocigotos A/A = azules, los homocigotos G/G = rojo, heterocigotos A/G = verdes.

6.8.8. Frecuencias alélicas y genotípicas

Al término de la fase experimental, los datos fueron procesados en el

programa Excel para la generación de una nueva base de datos con los genotipos

de la población de estudio. Las variantes alélicas de BDNF están conformadas

por dos alelos, uno de cada progenitor. El alelo de mayor frecuencia es

denominado ancestral, mientras que el de menor frecuencia se denomina MAF

(Minor Allele Frequency, por sus siglas en inglés). Para la obtención de los

porcentajes y frecuencias alélicas y genotípicas de la población se procesaron

los datos en Excel. Posteriormente, la información fue importada al procesador

de texto lineal sublime para generar un archivo en formato de texto. Con apoyo

del software PGDspider se cambió el formato del archivo para ser procesado en

el software de genética poblacional Genepop 4.2 (Rousset, 2008), para la

obtención de las frecuencias alélicas y genotípicas de los SNPs rs6265 y

rs7934165.

53

6.8.9.- Equilibrio de Hardy Weinberg

Con la obtención de las frecuencias alélicas los datos fueron sometidos a

la prueba estadística del equilibrio de Hardy Weinberg (HWE) para comparar la

población contra una población hipotética y así observar que la población cumplía

con este equilibrio. Para la obtención del HWE se procedió a elaborar un archivo

en formato Excel con los genotipos codificado. Con programa de bioinformática

PGDspider se convirtió el formato para su análisis posterior.

6.8.10.- Codificación de variables y modelos de herencia

Los genotipos almacenados en las bases de datos fueron codificados de

acuerdo con la metodología de Iniesta, Guinó & Moreno (2005). Se obtuvieron

los modelos de herencia aditivo, recesivo y dominante para observar el efecto

que se presentaba en cada una de las variables. El modelo de herencia aditivo

analiza las diferencias de manera individual entre cada genotipo con respecto a

las variables dependientes asociadas a composición corporal, mientras que en

los modelos recesivo o dominante se evalúa el efecto de cada alelo por separado.

6.8.11.- Análisis y pruebas estadísticas

Una vez completada la base de datos, se procedió a analizar los genotipos

de rs6265 y rs7934165 en los tres modelos de herencia, con la finalidad de

observar su asociación con variables de composición corporal. Los análisis

estadísticos se realizaron con el software SPSS versión 23. Se utilizó estadística

descriptiva para la obtención de las características generales de la población

(media, desviación estándar y frecuencia). Las asociaciones de modelos de

herencia aditivo recesivo y dominante con variables dependientes de

composición corporal se obtuvieron por medio de la prueba estadística de

regresión lineal generalizada. Para disminuir errores y sesgos con los valores

obtenidos, se utilizaron las variables de edad e índice de masa corporal como

variables de ajuste en la prueba de modelos lineales en los tres modelos de

herencia. Se consideraron estadísticamente significativos los valores de

probabilidad P menores a 0.05.

54

7. RESULTADOS

7.1.- Características antropométricas y de composición corporal del grupo

de mujeres postmenopáusicas

El tamaño de muestra analizado fue de 182 pacientes con una edad

promedio de 57 años. Las características generales de la población se muestran

en la tabla XI.

Tabla XI. Características generales de la población estudiada

Variable Media ± DE Rango Edad (años) 56.99 ± 6.94 43.20 - 79.84 Talla (m) 1.55 ± 0.06 1.40 - 1.72 Peso (kg) 69.01 ± 10.82 47.60 - 98.08 IMC (kg/m²) 28.84 ± 4.52 18.45 - 43.18 Circunferencia de cintura (cm) 96.05 ± 10.88 71.30 - 132.45 Circunferencia de cadera (cm) 106.18 ± 9.30 86.45 - 138.90 ICC 0.90 ± 0.06 0.74 - 1.09 Masa grasa (kg) 30.90 ± 7.95 13.05 - 50.44 Masa magra (kg) 36.80 ± 4.21 27.82 - 50.60 CMO (kg) 2.28 ± 0.36 1.25 - 3.12 MLG (kg) 38.51 ± 4.32 29.35 - 52.67 Grasa corporal total (%) 42.95 ± 5.27 24.41 - 55.56 Grasa corporal en tejido (%) 44.86 ± 5.72 25.50 - 58.20 Grasa en tronco (%) 46.81 ± 6.05 26.20 - 58.40 Grasa región androide (%) 51.77 ± 6.14 28.10 - 63.40 Grasa región ginoide (%) 50.66 ± 5.18 30.30 – 63.00 N=182; IMC= Índice de Masa Corporal; ICC= Índice Cintura Cadera, CMO= Contenido Mineral Óseo, MLG= Masa Libre de Grasa, DE= Desviación estándar.

55

7.2.- Clasificación de la población por fenotipos de obesidad

Al dividir a la población según IMC, se observó que las mujeres con un

IMC normal (18.5-24.9 kg/m2) representaron un 19.78% de la población, mientras

que el 41.20% tenía sobrepeso (25-29.9 kg/m2) y 39.01% de las muestras

obesidad (≥30 kg/m2). Una vez estratificada la población, se procedió a realizar

la prueba estadística de homogeneidad de varianzas para confirmar que se

cumple con el supuesto de normalidad y con ello realizar las pruebas

paramétricas para el análisis de resultados. Las variables generales y de

composición corporal se sometieron a la prueba estadística ANOVA de un factor,

se encontraron diferencias significativas (P <0.05) como se muestra en la tabla

XII. La talla presentó diferencias en el grupo normal comparando con sobrepeso

y obesidad, la circunferencia de cadera y cintura presentaron diferencias

significativas entre los tres grupos, todas las variables de composición corporal

mostraron diferencias significativas entre los tres grupos de fenotipos de

obesidad.

Tabla XII. Características generales en los grupos de estudio

Peso Normal (n= 36)

Sobrepeso (n=75)

Obesidad (n= 71)

Edad (años) 55.11 ± 5.81 57.32 ± 6.75 57.69 ± 7.55

Talla (m) 1.58 ± 0.05 1.55 ± 0.06 1.55 ± 0.05

Peso (kg) 57.21 ± 4.65 65.02 ± 6.18* 79.22 ± 7.64*

Circunferencia cintura (cm) 84.16 ± 5.70 92.97 ± 5.74* 105.47 ± 9.12*

Circunferencia de cadera (cm) 96.36 ± 4.71 102.62 ± 5.24* 115.07 ± 6.49*

ICC 0.87 ± 0.05 0.90 ± 0.06 0.91 ± 0.07

Masa grasa (kg) 21.63 ± 4.08 28.11 ± 4.06* 38.54 ± 5.15* Masa magra (kg) 33.95 ± 2.93 35.54 ± 3.18* 39.58 ± 4.15* CMO (kg) 2.10 ± 0.24 2.20 ± 0.34 2.45 ± 0.37* MLG (kg) 35.59 ± 3.12 37.23 ± 3.41* 41.31 ± 4.15* Grasa corporal total (%) 36.82 ± 5.24 41.98 ± 3.20* 46.93 ± 3.36* Grasa corporal en tejido (%) 38.57 ± 5.57 43.71 ± 3.90* 49.24 ± 3.54* Grasa en tronco (%) 39.69 ± 6.21 46.19 ± 4.00* 51.07 ± 3.82* Grasa región androide (%) 45.21 ± 7.25 51.48 ± 4.42* 55.35 ± 4.10* Grasa región ginoide (%) 47.01 ± 6.20 49.57 ± 3.59* 53.61 ± 4.53* Los datos se muestran como medias y desviaciones estándar. N= 182, ICC= Índice cintura cadera, CMO= Contenido mineral óseo, MLG= Masa libre de grasa. Las diferencias significativas con el grupo normal (p < 0.05) se muestran con asteriscos.

56

7.3.- Frecuencias alélicas y genotípicas de los polimorfismos rs6265 y

rs7934165 del gen BDNF en el grupo de estudio

La tabla XIII muestra las frecuencias alélicas y genotípicas de los

polimorfismos analizados del gen BDNF. En ambos polimorfismos, la población

de estudio estaba en equilibrio con respecto a la ecuación de Hardy-Weinberg (P

> 0.05). En el rs6265 el alelo de menor frecuencia fue A (13.46%), mientras que

el genotipo con menor porcentaje fue el homocigoto AA (1%). En rs7934165 el

alelo de menor frecuencia fue G (37%) y el genotipo menos frecuente fue el

homocigoto GG (15.38%).

Tabla XIII. Frecuencias genotípicas y alélicas de los polimorfismos del gen BDNF

SNPS rs6265 rs7934165 n % n %

Genotipo Alelo

GG 135 74.17 AA 75 41.21 GA 45 24.72 AG 79 43.41 AA 2 1.09 GG 28 15.38 G 315 86.54 A 229 62.91 A 49 13.46 G 135 37.09

P* 0.408 0.346 *Equilibrio de Hardy-Weinberg p>0.05

57

Las frecuencias alélicas y genotípicas de rs6265 y rs7934165 en los

grupos separados según el IMC se sometieron a las pruebas estadísticas de chi2

y prueba exacta de Fisher (Tabla XIV). No se observaron diferencias estadísticas

en las proporciones de los alelos y genotipos en ambos SNPs en los grupos de

sobrepeso y obesidad. En el rs6265, el alelo A presentó con menor porcentaje y

frecuencia en los tres fenotipos de obesidad con respecto al otro alelo. Además,

se puede observar que este alelo es menos frecuente en el grupo con obesidad

seguido del grupo con sobrepeso (aunque no hay diferencia estadística).

Comparando los grupos de sobrepeso y obesidad con el normal, el genotipo GA

disminuye su porcentaje en los respectivos grupos. Para el SNP rs7934165, se

presentó el alelo G como el MAF en los tres fenotipos. En los fenotipos normal,

sobrepeso y obesidad el genotipo GG fue el de menor frecuencia, encontrando

un mayor porcentaje de éste en el grupo sobrepeso seguido del grupo obesidad.

Tabla XIV. Frecuencias genotípicas y alélicas de los polimorfismos del gen BDNF en los grupos de estudio. SNP Genotipos

y alelos Peso Normal

(n = 36) Sobrepeso

(n = 75) Obesidad (n = 71) P

rs6265, n (%) GG 25 (69.44) 55 (73.33) 55 (77.46) 0.84 GA 11 (30.55) 19 (25.33) 15 (21.12)

AA 0 (0) 1 (1.33) 1 (1.40) G 61 (84.72) 129 (86) 125 (88.03)

0.77 A 11 (15.28) 21 (14) 17 (11.97) rs7934165, n (%) AA 13 (36.11) 31 (41.33) 31 (43.66)

0.74 AG 18 (50) 32 (42.66) 29 (40.84) GG 5 (13.88) 12 (16) 11 (15.49)

A 44 (61.11) 94 (62.67) 91 (64.08) 0.90 G 28 (38.89) 56 (37.33) 51 (35.92)

58

7.4.- Determinación de la asociación de los polimorfismos rs6265 y

rs7934165 del gen BDNF con los fenotipos de obesidad del grupo de estudio

Los análisis de asociación de los SNPs del gen BDNF con variables

antropométricas y de composición corporal se realizaron con la prueba

estadística de modelos lineales generalizados, bajo los modelos de herencia

aditivo, recesivo y dominante. El análisis estadístico se llevó a cabo mediante el

ajuste de las variables edad e IMC para estandarizar a la población con los

valores ya mencionados, esto con la finalidad de obtener resultados más

precisos. Los resultados se muestran en las tablas XV y XVI. Al evaluar la

asociación del rs6265 con las variables de estudio, se observó una asociación

con circunferencia de cadera (Tabla XV), mientras que con los otros modelos de

herencia no hubo asociaciones significativas.

Por otro lado, con el análisis del SNP rs7934165 se encontraron

tendencias (p > 0.05 - < 0.1) en el modelo de herencia recesivo con masa grasa

en kg, porcentaje de grasa corporal por región, tejido y androide (Tabla XVI).

59

Tabla XV. Regresión lineal del polimorfismo rs6265 del gen BDNF con variables antropométricas

Variables

β (95% IC) Pa Modelo GG (n= 135)

GA (n= 45)

AA (n= 2)

Peso (kg) 70.56 ± 11.27 68.07 ± 10.72 75.95 ± 17.25 -0.54 (-2.12 - 1.03) 0.50 Aditivo 0.12 (-6.99 7.23) 0.97 Recesivo -0.63 (-2.32 1.06) 0.47 Dominante

Cintura (cm) 96.02 ± 10.16 95.40 ± 11.88 104.55 ± 23.61 0.67 (-0.98 2.34) 0.42 Aditivo 1.81 (-5.65 9.27) 0.63 Recesivo 0.67 (-1.11 2.45) 0.46 Dominante

Cadera (cm) 106.52 ± 9.44 105.09 ± 8.89 104.60 ± 8.69 -0.72 (-2.21 0.77) 0.34 Aditivo

-6.83 (-13.44 -0.21) 0.04 Recesivo -0.43 (-2.03 1.16) 0.59 Dominante

ICC 0.89 ± 0.09 0.90 ± 0.06 0.99 ± 0.14 0.01 (-0.01 0.04) 0.26 Aditivo 0.07 (-0.04 0.20) 0.20 Recesivo 0.01 (-0.02 0.04) 0.37 Dominante

Masa grasa (kg) 31.34 ± 8.00 29.49 ± 7.81 34.90 ± 12.13

-0.47 (-1.58 0.64) 0.41 Aditivo -0.27 (-5.26 4.71) 0.91 Recesivo -0.52 (-1.71 .67) 0.39 Dominante

Masa magra (kg) 36.90 ± 4.26 36.37 ± 4.15 38.63 ± 5.03

-0.02 (-1.04 0.99) 0.97 Aditivo 0.28 (-4.28 4.86) 0.90 Recesivo -0.04 (-1.04 1.13) 0.94 Dominante

CMO (kg) 2.31 ± 0.37 2.21 ± 0.30 2.41 ± 0.08 -0.03 (-0.12 - 0.06) 0.55 Aditivo 0.10 (-0.33 0.54) 0.63 Recesivo -0.04 (-0.14 0.06) 0.45 Dominante

Pa= Valor de P, ajustado por edad e IMC, IC= intervalo de confianza, β= Beta. ICC= Índice Cintura Cadera, CMO= Contenido Mineral Óseo

60

Tabla XV. Regresión lineal del polimorfismo rs6265 del gen BDNF con variables antropométricas (continuación)

Variables

β (95% IC) Pa Modelo GG

(n= 135) GA

(n= 45) AA

(n= 2)

MLG (kg) 38.64 ± 4.44 37.99 ± 4.12 39.87 ± 4.09 -0.12 (-1.17 - 0.92) 0.81 Aditivo -0.11 (-4.83 4.59) 0.96 Recesivo -0.14 (-1.26 0.98) 0.81 Dominante

Grasa corporal (%)

43.17 ± 5.28 42.06 ± 5.36 44.01 ± 4.55 -0.47 (-1.58 - 0.65) 0.41 Aditivo -1.33 (-6.33 3.67) 0.60 Recesivo -0.46 (-1.65 0.74) 0.45 Dominante

Grasa en tejido (%)

45.10 ± 5.82 44.12 ± 5.64 46.80 ± 5.51 -0.25 (-1.50 - 1.00) 0.70 Aditivo -0.58 (-6.20 5.03) 0.84 Recesivo -0.25 (-1.59 1.09) 0.71 Dominante

Grasa en tronco (%)

47.25 ± 5.99 45.49 ± 6.31 50.15 ± 7.00 -0.73 (-2.07 - 0.60) 0.28 Aditivo 0.78 (-5.24 6.81) 0.80 Recesivo -0.89 (-2.32 0.55) 0.23 Dominante

Grasa androide (%)

52.09 ± 5.97 50.51 ± 6.63 56.25 ± 9.40 -0.61 (-2.13 - 0.90) 0.43 Aditivo 2.21 (-4.59 9.02) 0.52 Recesivo -0.83 (-2.45 0.79) 0.32 Dominante

Grasa ginoide (%)

50.76 ± 5.32 50.54 ± 5.14 49.55 ± 1.20 0.02 (-1.37 - 1.41) 0.98 Aditivo -2.73 (-8.96 3.50) 0.39 Recesivo 0.18 (-1.31 1.67) 0.82 Dominante

Pa= Valor de P, ajustado por edad e IMC, IC= intervalo de confianza, β= Beta.

61

Tabla XVI. Regresión lineal del polimorfismo rs7934165 del gen BDNF con variables antropométricas

Variables

β (95% IC) Pa Modelo AA

(n= 75) AG

(n= 79) GG

(n= 28)

Peso (kg) 70.78 ± 11.31 68.75 ± 10.65 71.52 ± 12.04 -0.05 (-1.10 1.00) 0.93 Aditivo

0.60 (-1.45 2.65) 0.57 Recesivo -0.42 (-1.93 1.08) 0.58 Dominante

Circunferencia de cintura (cm)

96.14 ± 10.35 94.91 ± 10.53 98.38 ± 12.11 0.23 (-0.86 - 1.33) 0.68 Aditivo 1.24 (-0.91 3.39) 0.26 Recesivo -0.18 (-1.76 1.40) 0.82 Dominante

Circunferencia de cadera (cm)

106.35 ± 9.11 105.67 ± 9.34 106.86 ± 9.76 -0.13 (-1.11 - 0.86) 0.80 Aditivo -0.32 (-2.25 1.61) 0.75 Recesivo -0.09 (-1.51 1.33) 0.90 Dominante

ICC 0.90 ± 0.06 0.88 ± 0.11 0.92 ± 0.06 0.001 (-0.01 - 0.01) 0.93 Aditivo

0.02 (-0.02 0.05) 0.27 Recesivo -0.009 (-0.03 - 0.02) 0.49 Dominante

Masa grasa (kg)

31.16 ± 7.73 29.98 ± 7.83 32.81 ± 8.95 0.35 (-0.38 - 1.07) 0.36 Aditivo 1.38 (-0.04 2.81) 0.06 Recesivo -0.03 (-1.08 1.03) 0.96 Dominante

Masa magra (kg)

37.11 ± 4.61 36.63 ± 4.08 36.36 ± 3.64 -0.43 (-1.09 - 0.24) 0.21 Aditivo -0.84 (-2.15 0.47) 0.21 Recesivo -0.43 (-1.39 0.53) 0.38 Dominante

CMO (kg) 2.30 ± 0.37 2.26 ± 0.35 2.34 ± 0 .35 0.03 (-0.03 - 0.09) 0.36 Aditivo

0.08 (-0.05 0.20) 0.21 Recesivo 0.02 (-0.07 0.11) 0.69 Dominante

Pa= Valor de P, ajustado por edad e IMC, IC= intervalo de confianza, β= Beta.

62

Tabla XVI. Regresión lineal del polimorfismo rs7934165 del gen BDNF con variables antropométricas (continuación)

Variables

β (95% IC) Pa Modelo AA

(n= 75) AG

(n= 79) GG

(n= 28)

MLG (Kg) 38.84 ± 4.80 38.31 ± 4.15 38.06 ± 3.62 -0.42 (-1.11 - 0.26) 0.23 Aditivo -0.82 (-2.17 .54) 0.24 Recesivo

-0.43 (-1.43 0.56) 0.39 Dominante

Grasa corporal (%) 43.00 ± 5.00 42.25 ± 5.58 44.40 ± 5.06 0.34 (-0.39 - 1.07) 0.36 Aditivo 1.28 (-0.15 2.72) 0.08 Recesivo 0.01 (-1.05 1.08) 0.98 Dominante

Grasa en tejido (%) 45.07 ± 5.39 44.06 ± 6.19 46.59 ± 5.26 0.35 (-0.48 - 1.17) 0.41 Aditivo 1.53 (-0.08 3.13) 0.06 Recesivo -0.11 (-1.29 1.08) 0.86 Dominante

Grasa en tronco (%) 47.04 ± 5.69 46.06 ± 6.70 48.49 ± 5.22 0.35 (-0.53 - 1.24) 0.43 Aditivo 1.46 (-0.27 3.18) 0.10 Recesivo -0.05 (-1.32 1.22) 0.94 Dominante

Grasa androide (%) 51.73 ± 5.76 51.03 ± 6.84 53.73 ± 5.04 0.57 (-0.43 - 1.57) 0.27 Aditivo 1.84 (-0.11 3.79) 0.06 Recesivo 0.19 (-1.25 1.63) 0.80 Dominante

Grasa ginoide (%) 50.79 ± 4.72 50.16 ± 5.48 51.93 ± 5.77 0.37 (-0.55 - 1.29) 0.43 Aditivo 1.17 (-0.62 2.97) 0.20 Recesivo 0.13 (-1.19 1.45) 0.85 Dominante

Pa= Valor de P, ajustado por edad e IMC, IC= intervalo de confianza, β= Beta.

63

En la tabla XVII y XVIII se muestran los análisis de asociación de los SNPs

y las variables de estudio con antropometría y composición corporal ajustando

por edad e IMC en los grupos divididos por IMC. En el rs6265, debido a que la

muestra del genotipo AA era mínima, se optó por comparar GG vs GA+AA, ya

que en el grupo con IMC normal no se encontraron individuos con este genotipo,

y en sobrepeso y obesidad se encontró un solo individuo por grupo. Por su parte,

con el rs7934165 se utilizó el modelo de herencia aditivo.

Con el rs6265, el grupo con peso normal presentó asociaciones

estadísticamente significativas con las variables peso, circunferencia de cadera,

contenido mineral óseo y una tendencia en masa grasa en kilogramos (tabla

XVII). Las mujeres con sobrepeso solo mostraron una tendencia en el porcentaje

de grasa ginoide. No se observaron asociaciones significativas en el grupo con

obesidad.

Por último, con el rs7934165 se mostraron asociaciones significativas en

los grupos sobrepeso y obesidad (Tabla XVIII). Las tendencias en el grupo con

sobrepeso fueron con el peso y en el grupo con obesidad con el porcentaje de

grasa por región, tejido y androide. En participantes con sobrepeso se encontró

un valor significativo en circunferencia de cadera, mientras que en el grupo con

obesidad se mostraron valores significativos en masa grasa y porcentaje de

grasa ginoide.

64

Tabla XVII. Regresión lineal del polimorfismo rs6265 con variables antropométricas en los grupos de estudio por el modelo dominante

Variables

Fenotipo Normal Sobrepeso Obesidad

β (IC) Pa

β (IC) Pa

β (IC) Pa GG

(n=25) GA + AA (n=11)

GG (n=55)

GA + AA (n=20)

GG (n= 55)

GA + AA (n=16)

Peso (kg) 56.86 ± 3.74 59.54 ± 5.49

2.71 (0.18 - 5.24) 0.04 66.71 ± 6.48 63.58 ± 5.16 -1.14 (-3.58 - 1.31) 0.36 80.70 ± 7.85 80.04 ± 8.23 -0.52 (-3.32 - 2.29) 0.72

Cintura (cm) 84.35 ± 5.70 84.00 ± 6.22

1.053 (-1.86 - 3.96) 0.48 93.01 ± 5.90 92.81 ± 5.42 -0.73 (-3.35 - 1.89) 0.59 104.38 ± 8.06 107.07 ±11.01 2.25 (-.60 - 5.11) 0.12

Cadera (cm) 95.33 ± 4.19 98.79 ± 5.32

3.23 (0.81 - 5.65) 0.01 103.35 ± 5.48 100.38 ± 3.72 -1.72 (-3.90 - 0.45) 0.12 114.82 ± 6.81 115.69 ± 5.37 -0.78 (-3.43 - 1.88) 0.57

ICC 0.89 ± 0.06 0.85 ± 0.03

-0.02 (-0.05 - 0.01) 0.22 0.90 ± 0.06 0.92 ± 0.05 0.01 (-.02 - 0.04) 0.64 0.90 ± 0.13 0.92 ± 0.08 0.04 (-.02 - 0.10) 0.20

Masa grasa (Kg)

21.10 ± 3.67 22.79 ± 4.86

1.64 (-0.26 - 3.53) 0.09 28.76 ± 4.23 26.39 ± 3.14 -1.12 (-2.71 - 0.46) 0.16 38.61 ± 5.18 38.34 ± 5.49 -0.13 (-2.12 - 1.86) 0.90

Masa magra (Kg)

33.71 ± 3.08 34.50 ± 2.68

1.02 (-1.04 - 3.09) 0.33 35.69 ± 3.34 35.14 ± 2.84 0.05 (-1.41 - 1.50) 0.95 39.59 ± 4.05 39.312 ± 4.96 -0.32 (-2.14 - 1.50) 0.73

CMO (kg) 2.04 ± 0.24 2.25 ± 0.18

0.17 (0.02 - 0.31) 0.03 2.26 ± 0.36 2.05 ± 0.30 -0.06 (-0.22 - 0.09) 0.44 2.50 ± 0.36 2.39 ± 0.30 -0.06 (-.23 - 0.11) 0.52

MLG (Kg) 35.27 ± 3.25 36.30 ± 2.85

1.15 (-1.03 - 3.34) 0.30 37.42 ± 3.60 36.72 ± 2.94 0.027 (-1.53 -1.58) 0.97 41.41 ± 4.11 40.86 ± 4.84 -0.63 (-2.45 - 1.18) 0.49

Grasa corporal (%)

36.53 ± 5.19 37.47 ± 5.56 0.86 (-1.85 - 3.57) 0.54 42.40 ± 3.40 40.90 ± 2.39 -0.91 (-2.36 - 0.54) 0.22 46.97 ± 3.25 46.92 ± 4.16 -0.11 (-1.76 - 1.53) 0.89

Grasa en tejido (%)

38.18 ± 5.55 39.44 ± 5.81

0.95 (-1.98 - 3.89) 0.53 44.08 ± 4.23 42.73 ± 2.82 -0.77 (-2.63 - 1.08) 0.41 49.28 ± 3.48 49.33 ± 4.13 0.14 (-1.60 - 1.87) 0.88

Grasa en tronco (%)

39.63 ± 5.65 39.84 ± 7.60

0.17 (-3.13 - 3.48) 0.92 46.67 ± 4.24 44.91 ± 3.10 -0.85 (-2.69 - 1.00) 0.37 51.31 ± 3.65 50.40 ± 4.49 -0.28 (-2.13 - 1.56) 0.76

Grasa androide (%)

45.17 ± 6.69 45.31 ± 8.74 0.39 (-4.01 - 4.79) 0.86 51.94 ± 4.57 50.28 ± 3.96 -0.98 (-3.07 - 1.12) 0.36 55.39 ± 3.85 54.63 ± 4.90 0.10 (-1.89 - 2.09) 0.92

Grasa ginoide (%)

46.10 ± 6.57 49.01 ± 5.02

2.15 (-1.39 - 5.69) 0.23 50.13 ± 3.68 48.02 ± 3.03 -1.61 (-3.29 - 0.08) 0.06 53.53 ± 4.44 54.85 ± 4.81 0.80 (-1.49 - 3.09) 0.49

Pa= valor de P ajustado por edad e IMC, IC= intervalo de confianza, β= Beta, MLG= Masa Libre de Grasa, CMO = Contenido Mineral Óseo, ICC = Índice Cintura Cadera.

65

Tabla XVIII. Regresión lineal del polimorfismo rs7934165 con variables antropométricas en los grupos de estudio, modelo aditivo

Variables

Fenotipo

Normal Sobrepeso Obesidad

β(IC) Pa

β(IC) Pa

β(IC) Pa AA

(n= 13)

AG

(n= 18)

GG

(n= 5)

AA

(n= 31)

AG

(n= 32)

GG

(n= 12)

AA

(n=31)

AG

(n= 29)

GG

(n= 11)

Peso (kg) 57.58 ± 3.63 57.38 ± 5.19 59.08 ± 4.80 0.45 (-1.34 - 2.24) 0.62 67.15 ± 7.47 65.00 ± 5.62 63.90 ± 3.52 -1.475(-3.05 - 0.10) 0.07 80.07 ± 9.17 79.78 ± 6.42 84.53 ± 7.11 1.05 (-0.75 - 2.84) 0.25

Cintura (cm) 83.47 ± 4.71 83.71 ± 6.40 88.05 ± 5.61 1.07 (-0.86 - 3.00) 0.28 93.67 ± 6.00 92.31 ± 5.72 92.37 ± 5.23 -1.32 (-3.02 - 0.36) 0.12 104.47 ± 8.62 104.27 ± 8.25 109.65 ±10.82 1.28 (-0.59 - 3.14) 0.18

Cadera (cm) 95.33 ± 3.96 96.89 ± 5.69 97.59 ± 3.30 1.29 (-0.43 - 3.00) 0.14 104.06 ± 5.34 101.56 ± 5.26 101.03 ± 3.93 -1.74 (-3.13 - -0.35) 0.01 113.74 ± 7.59 115.21 ± 5.42 117.46 ± 5.35 1.43 (-0.27 - 3.13) 0.10

ICC 0.88 ± 0.04 0.86 ± 0.05 0.90 ± 0.07 0.000 (-0.02 - 0.02) 0.98 0.90 ± 0.06 0.91 ± 0.06 0.91 ± 0.05 0.002 (-0.02 - 0.02) 0.83 0.92 ± 0.07 0.88 ± 0.17 0.93 ± 0.08 -0.01 (-0.05 - 0.03) 0.76

Masa grasa

(Kg)

21.60 ± 3.49 21.19 ± 4.85 23.24 ± 2.68 0.42 (-0.88 - 1.73) 0.53 28.86 ± 4.66 27.49 ± 3.68 27.81 ± 3.27 -0.80 (-1.83 - 0.23) 0.13 37.90 ± 5.48 37.82 ± 4.58 42.62 ± 4.53 -0.15 (-0.27 - -0.04) 0.01

Masa magra

(Kg)

33.95 ± 3.34 34.00 ± 3.01 33.81 ± 1.93 -0.07 (-1.47 - 1.33) 0.92 36.00 ± 3.65 35.40 ± 3.21 34.71 ± 1.28 -0.68 (-1.61 - 0.26) 0.16 39.73 ± 4.75 39.49 ± 3.82 39.33 ± 4.04 -0.48 (-1.64 - 0.69) 0.43

CMO (kg) 2.03 ± 0.25 2.19 ± 0.21 2.03 ± 0.28 0.06 (-0.04 - 0.16) 0.26 2.28 ± 0.38 2.11 ± 0.33 2.27 ± 0.28 -0.01 (-0.12 - 0.09) 0.80 2.44 ± 0.35 2.48 ± 0.35 2.58 ± 0.33 0.06 (-0.05 - 0.17) 0.26

Masa libre de

grasa (Kg)

35.50 ± 3.57 35.73 ± 3.15 35.36 ± 2.17 0.02 (-1.47 - 1.50) 0.98 37.74 ± 3.99 37.03 ± 3.37 36.46 ± 1.14 -0.66 (-1.66 - 0.35) 0.20 41.51 ± 4.79 41.19 ± 3.83 41.06 ± 3.93 -0.54 (-1.70 - 0.63) 0.37

Grasa

corporal (%)

37.01 ± 5.22 36.13 ± 36.13 38.70 ± 1.57 0.30 (-1.51 - 2.10) 0.75 42.22 ± 3.39 41.67 ± 3.25 42.21 ± 2.76 -0.18 (-1.14 - 0.78) 0.72 46.54 ± 3.18 46.46 ± 3.40 49.40 ± 3.25 1.01 (-0.02 - 2.04) 0.06

Grasa en

tejido (%)

38.47 ± 5.66 38.05 ± 6.31 40.62 ± 1.60 0.67 (-1.30 - 2.63) 0.51 44.33 ± 3.60 42.84 ± 4.43 44.38 ± 2.98 -0.30 (-1.51 - 0.92) 0.63 48.83 ± 3.41 48.88 ± 3.58 51.72 ± 3.34 1.09 (-0.01 - 2.18) 0.05

Grasa en

tronco (%)

39.51 ± 5.66 39 ± 7.38 42.52 ± 1.41 0.81 (-1.38 - 3.01) 0.47 46.81 ± 3.92 45.39 ± 4.21 46.69 ± 3.62 -0.29 (-1.50 - 0.92 0.64 50.67 ± 3.60 50.90 ± 4.05 53.17 ± 3.53 0.96 (-0.21 - 2.13) 0.11

Grasa

androide (%)

44.42 ± 6.73 44.62 ± 8.39 49.28 ± 2.59 1.61 (-1.28 - 4.51) 0.28 52.12 ± 4.19 50.83 ± 4.87 51.52 ± 3.91 -0.43 (-1.80 - 0.94) 0.54 54.61 ± 3.68 54.99 ± 4.51 58.16 ± 3.44 1.25 (0.00 - 2.49) 0.05

Grasa

ginoide (%)

47.35 ± 5.82 46.52 ± 6.72 47.80 ± 6.50 0.15 (-2.26 - 2.56) 0.90 50.30 ± 3.52 49.01 ± 3.74 49.15 ± 3.38 -0.75 (-1.86 - 0.37) 0.19 52.87 ± 4.39 53.51 ± 4.43 56.83 ± 4.03 1.89 (0.48 - 3.30) 0.01

Pa= valor de P ajustado por edad e IMC, IC= intervalo de confianza, β= Beta, MLG= Masa Libre de Grasa, CMO = Contenido Mineral Óseo, ICC = Índice Cintura Cadera.

66

8.- DISCUSIÓN

La obesidad es uno de los principales problemas de salud pública del siglo

XXI. Este padecimiento es de origen multifactorial e involucra al ambiente, el

estilo de vida y factores genéticos. Se han descrito más de 127 genes asociados

a esta patología; entre éstos se encuentran FTO, MC4R y BDNF (Goodarzi,

2018).

El gen BDNF codifica para una proteína que participa en la regulación de

mecanismos relacionados con el gasto energético y control de saciedad (Lapchak

& Hefti, 1992). En modelos animales, se ha demostrado que la ausencia de BDNF

promueve un incremento en la ingesta calórica y cambios en la composición

corporal (Pelleymounter, Cullen & Wellman, 1995). Diversos polimorfismos en el

gen BDNF se han relacionado con la obesidad y el IMC, en poblaciones

europeas, americanas y asiáticas (Friedel et al., 2005; Beckers et al., 2008; Hotta

et al., 2009; Timpano, et al., 2011; Ma et al., 2012; Sustar et al., 2016). Sin

embargo, los resultados son discrepantes, ya que, en estudios realizados en

Islandia, Grecia y Croacia, no se ha observado alguna relación de polimorfismos

en este gen, con la obesidad, el sobrepeso o el IMC (Rouskas et al., 2011;

Skledar et al., 2012; Thorleifsson et al., 2008).

En México hay pocos estudios de asociación genética con los

polimorfismos del gen BDNF, específicamente el SNP rs6265 que ha sido solo

estudiado en mestizos mexicanos del centro de México y sin analizar

específicamente a mujeres postmenopáusicas (León-Mimila et al., 2013; Morales

Marín., et al., 2016). Para el SNP rs7934165, actualmente no existen reportes de

estudios de asociación genética con las variables de composición corporal en

población mexicana. Hasta el momento se desconoce si los genes participan

modificando las variables de composición corporal en los diferentes fenotipos de

obesidad. Por esto, el objetivo general de esta investigación fue analizar la

asociación entre los polimorfismos de BDNF y las variables antropométricas y de

67

composición corporal en mujeres postmenopáusicas del noreste de México

clasificadas acorde a su IMC.

Para cumplir el primer objetivo específico, se identificaron las

características antropométricas y de composición corporal de nuestro grupo de

estudio; para ello, se analizó una base de datos con 182 registros de mujeres

postmenopáusicas. Los valores de las variables antropométricas y de

composición corporal resultantes fueron comparados con otras poblaciones

(Tabla XIX). Estos datos fueron similares a lo reportado para mujeres

postmenopáusicas de Nuevo León y del centro del país (Carranza-Lira,

Azpilcueta y Rosales Ortiz, 2016; Fernández Muñoz et al., 2014). Solamente

difieren de los reportados por Macías y colaboradores (2014) que analizaron a

un grupo de mujeres del centro del país con diferencias marcadas en el peso, el

IMC, la circunferencia de cintura, la circunferencia de cadera y la masa grasa.

Las diferencias pueden ser explicadas por la diferencia en la media de la edad

de nuestro estudio (57 años) y el suyo (41 años). No obstante, el porcentaje de

grasa corporal y el ICC fueron similares en ambos estudios; sugiriendo que, a

pesar de las diferencias antropométricas evidentes, la proporción de grasa

corporal no se ve afectada con la edad o la localización geográfica y las

diferencias que esta implica (St-Onge and Gallagher, 2010). También se hicieron

comparaciones de medidas antropométricas reportadas en cohortes de Estados

Unidos de Norte América (Puertoriqueñas en Boston y Euro-descendientes de

Nueva York). En el grupo de mujeres Puerto Rico (~57 años de edad), se

observaron valores mayores a los encontrados en nuestro estudio de peso, IMC,

circunferencia de cintura y circunferencia de cadera (Ma et al., 2012). En la

población de mujeres postmenopáusicas de Norteamérica (~66 años de edad),

presentaron valores menores de IMC y de porcentaje de grasa corporal (Banack

et al., 2017). Estas diferencias, sugieren que la población latinoamericana

(mexicanas y puertorriqueñas), tiene mayor porcentaje de grasa que la euro-

descendiente; estas diferencias pueden ser explicadas por múltiples factores

como: la etnia, factores genéticos y el estilo de vida de los tres grupos.

68

Tabla XIX. Características generales y de composición corporal en mujeres de distintas poblaciones

Variables Nuestro estudio

(Carranza-Lira y Rosales Ortiz,

2016)

(Fernández Muñoz et al.,

2014)

(Macias et al., 2014)

(Ma et al., 2012)

(Banack, Wactawski-

Wende, Hovey & Stokes, 2017)

Grupo de estudio

postmenopáusicas (40 a 80 años)

postmenopáusicas (39 a 86)

postmenopáusicas (50 a 65 años) 20 a 65 años 45 a 75 años 53 a 85 años

N 182 62 34 3646 945 1329

Población Mexicana (Nuevo León)

Mexicana (Nuevo León)

Mexicana (Cd de México)

Mexicana (Centro)

Puertorriqueña (Boston, USA)

Euro-descendiente

(NY, USA) Edad (años) 56.99 ± 6.94 56 .00 56.10 ± 6.50 41.30 ± 10.90 57.40 ± 7.50 66.10 ± 7.00

Peso (kg) 69.01 ± 10.82 65.49 (47-88)* 69.80 ± 15.30 64.40 ± 11.40 78.70 ± 17.50 -

IMC 28.84 ± 4.52 27.70 (20.3-37.7)* 29.30 ± 5.90 26.50 ± 4.50 32.90 ± 7.00 26.70 ± 5.20

Cintura (cm) 96.05 ± 10.88 85.00 (60-105)* 93.40 ± 15.20 88.90 ± 11.70 102.00 ± 15.40 - Cadera (cm) 106.18 ± 9.30 98.38 (86-114)* - 100.30 ± 90 111.00 ± 14.50 -

ICC 0.90 ± 0.08 0.86 (0.69-1.05)* - 0.90 ± 0.10 - - Grasa corporal

(%) 42.95 ± 5.27 - 27.10 ± 8.50 42.60 ± 6.30 - 36.8 ± 6.00

Grasa troncal (%) 46.81 ± 6.05 - - - - -

Masa grasa (kg) 30.90 ± 7.95 - - 26.50 ± 8.10 - 26.80 ± 9.20 Masa magra (kg) 36.80 ± 4.21 - - - - 42.00 ± 5.56 *Los datos Carranza-Lira y Ortíz corresponden a la mediana y a su intervalo, IMC= Índice de Masa Corporal, ICC= Índice Cintura Cadera

69

De acuerdo con los puntos de cohorte de la OMS para cintura, cadera e

ICC, los valores elevados de estas variables antropométricas, sugieren

incremento en el riesgo de presentar enfermedades cardio-metabólicas. Al

comparar los datos de esta investigación con dichos puntos de corte de la OMS,

se encontró nuestra población presenta un riesgo elevado de desarrollar

enfermedades cardio-metabólicas (OMS, 2008). Lo anterior, sugiere que las

mujeres postmenopáusicas del noreste de México presentan una predisposición

más alta a las enfermedades metabólicas.

El origen étnico y los hábitos de la población juega un papel determinante

en las diferencias en la composición corporal, es decir, las diferencias

observadas pueden ser debido al trasfondo social, cultural, disponibilidad

alimentaria, nutrición y estratos sociales propios de las regiones geográficas de

los participantes de cada estudio, así como la arquitectura genética específica de

las poblaciones de estudio. Además, los datos analizados confirman que existe

una incidencia de sobrepeso y obesidad en las mujeres postmenopáusicas del

noreste de México. En este sentido, se deben buscar estrategias para combatir

la obesidad y sobrepeso que prevalece en la región.

70

Para el segundo objetivo, se estratificó a nuestra cohorte con base en el

IMC, dividiéndolas en tres grupos (peso normal, sobrepeso y obesidad) y se

compararon con los resultados de la ENSANUT 2012, donde se analizan rangos

de edad de 40 a 80 años, los cuales son similares a los nuestros (Tabla XX). No

se observaron diferencias en ambos grupos, por lo que se cree que los resultados

obtenidos con nuestra muestra de mujeres postmenopáusicas son

representativos del noreste del país.

Tabla XX. Comparación de porcentajes de fenotipos de obesidad en población nacional

femenina de 40 a 80 años comparada contra la población del noreste

Estudio Porcentajes de IMC Normal Sobrepeso Obesidad

ENSANUT 2012 32 29 39 Noreste 20 41 39 p = 0.08. El resultado no es significativo.

En el tercer objetivo, se determinaron las frecuencias alélicas y genotípicas

de los polimorfismos rs6265 y rs7934165 del gen BDNF. Para observar el

comportamiento de las frecuencias alélicas de ambos SNPs a nivel mundial se

compararon los valores obtenidos con los de las bases de datos de ENSEMBLE

GENOME BROWSER 91.

En el estudio, al analizar el rs6265 las frecuencias globales corresponden

a 80% el alelo G como el más frecuente, mientras que A se identificó como el

alelo de menor frecuencia (MAF). Al someter nuestros resultados (G 87%, A 13%)

a la prueba de chi2 contra población global a nivel mundial encontramos

diferencias significativas con la población africana (G = 99%) y con la asiática (G

=51%); la mayor similitud fue con la población americana, posiblemente debido a

la ubicación y acceso geográfico de las poblaciones en el mismo continente.

Nuestra muestra tiene una proporción similar de ancestría amerindia y europea.

El alelo A es el menos frecuente de manera global. En población

americana el alelo A se reportó como MAF. Nuestra población presentó una

71

mayor similitud en porcentajes con población puertorriqueña y colombiana (alelo

A = 16%) seguido de la población con ancestría mexicana de Los Ángeles

California (alelo A = 20%). Las frecuencias alélicas se sometieron a la prueba de

chi2 sin encontrar valores significativos. Se mantiene una distribución similar de

estos alelos en Latinoamérica.

Se compararon las frecuencias genotípicas de nuestro estudio contra los

reportados en estudios nacionales. Las frecuencias genotípicas se sometieron a

la prueba estadística de chi2, sin encontrar diferencias significativas entre ninguno

de ellos (Tabla XXI). Martínez-Ezquerro y colaboradores (2018) encontraron en

población femenina pediátrica, que el genotipo homocigoto AA es el menos

común en población mexicana del centro de México, los porcentajes de genotipos

homocigoto y heterocigoto, coinciden con nuestro estudio. Morales-Marín y

colaboradores (2016) también reportaron los porcentajes de genotipos en

población del centro de México, con frecuencias genéticas similares al nuestro.

Al comparar los genotipos de la población del presente estudio contra

puertorriqueños, se encontró la mayor similitud en ambas poblaciones. De

manera similar, González-Peña y colaboradores (2018), que trabajaron con

mujeres postmenopáusicas del Noreste de México, reportaron frecuencias

genéticas similares a los nuestras. De esta forma se observa que los estudios

realizados en México muestran similitudes en la distribución de genotipos de este

polimorfismo.

Tabla XXI. Frecuencias genéticas del rs6265 en diversos estudios Estudio Nuestro

estudio Martínez-

Ezquerro et al., 2018

Morales Marín et al., 2016

Ma et al., 2012 González-Peña et al., 2018

Población México Nuevo León

Ciudad de México Ciudad de México Boston, Población de Puerto Rico

México Nuevo León

GG 74 74 70 73 73 GA 25 24 28 25 21 AA 1 2 2 2 6 G 87 86 84 86 83 A 13 14 16 14 17 N Mujeres

182 Pediátrica

Mujeres 282 Mujeres

84 y 55 hombres 811 mujeres y 336

Hombres 124 mujeres

72

Con respecto al SNP rs7934165, el alelo de menor frecuencia fue el G en

poblaciones africana, americana y en la nuestra; mientras que en poblaciones

asiáticas y europeas, el MAF fue el alelo A. En relación al alelo G, se encontraron

diferencias estadísticas en las frecuencias de este alelo con población de África

(44%) y América (43%) con respecto a los nuestros (G = 37%). Así mismo, al

comparar nuestras frecuencias contra los resultados globales (G = 57%),

observamos una diferencia significativa. Con respecto al alelo A, las frecuencias

en nuestra población (A =63%) fue menor a la reportada en población peruana

(72%) y mayor a la reportada para mexicanos de Los Ángeles (59%),

colombianos (51%) y puertorriqueños (49%). Aunque estas frecuencias son

diferentes, mantienen proporciones similares de MAF que no se observan en

poblaciones europeas, esto posiblemente debido al componente amerindio que

se comparte entre los grupos de estudio (ENSEMBL GENOME BROWSER 91).

Por último, se propuso determinar la asociación de los polimorfismos del

gen BDNF con las variables antropométricas en los diferentes grupos de estudio.

En la población completa, se encontró que el rs6265 se asocia con la

circunferencia de cadera en el modelo de herencia recesivo; en cambio, con el

rs7934165 no se observaron asociaciones significativas.

Al dividir a la población de acuerdo al IMC, se encontró que en el grupo de

mujeres con peso normal el rs6265-A se asocia con mayor peso (P ≤ 0.04),

circunferencia de cadera (P ≤ 0.01) y contenido mineral óseo (P ≤ 0.03); en

cambio, en los grupos con sobrepeso y obesidad no se observaron asociaciones

significativas.

En la literatura se reportan informes contradictorios tratando de asociar al

rs6265 con los valores de composición corporal. Por ejemplo, Sustar y

colaboradores (2016), al analizar la asociación del rs6265 con el IMC en sujetos

croatas sanos de 51 a 53 años, encontró que la frecuencia del genotipo AA era

mayor en los individuos sanos con IMC normal, que los grupos de sobrepeso y

73

obesidad; similar a nuestro estudio, se observa que el efecto del genotipo

solamente es significativo en la población con IMC normal. Contradictoriamente,

un estudio realizado por Morales-Marín y colaboradores (2016) en población

mexicana con desorden bipolar se encontró que los hombres portadores del alelo

A con IMC normal tenían el “efecto protector” de dicho alelo, que no se observó

en pacientes con sobrepeso, ni en mujeres. No obstante, estos resultados deben

de tomarse con cautela ya que son en un grupo con una patología determinada,

con un pequeño número de muestra.

En otro estudio, al analizar la población puertorriqueña radicada en

Boston, se encontró que las mujeres portadoras del alelo A presentaron mayor

IMC, circunferencia de cadera y peso (Ma et al., 2012). Estos resultados, son

similares a los que encontramos, ya que sólo en el grupo con peso normal, los

portadores del alelo A, se relaciona con el aumento del peso y la circunferencia

de cadera. Así mismo, Skledar y colaboradores, (2012) encontraron en niños

croatas que el alelo A se asoció a un incremento de IMC y que, en las mujeres,

el genotipo GA aumentaba el riesgo de obesidad. Las frecuencias alélicas entre

croatas y en nuestra población, son similares, no así la asociación de los alelos.

Lo anterior, posiblemente se deba a que el estudio en croatas consideró hombres

y mujeres, y como puede observar en los estudios anteriores, este SNP ha

mostrado un dimorfismo sexual en diferentes poblaciones, así como un efecto

diferencial en función del IMC. Finalmente, en un estudio realizado por

Akkermann y colaboradores (2011) en niñas de Estonia se evaluó la asociación

de los genotipos de BDNF con la ingesta alimentaria, encontrando que los

portadores del alelo A eran más propensos a atracones de alimentos y aumento

de la ingesta calórica, explicando que posiblemente este alelo en niñas

caucásicas está asociada a trastornos alimentarios. Sin embargo, en nuestro

estudio no se evaluó la ingesta alimentaria, pero explicaría mecanísticamente la

relación del aumento de peso en los portadores del alelo A.

74

Estos resultados, donde los efectos del rs6265 se observan solamente en

el grupo con peso normal, pero no en sobrepeso y obesidad, son interesantes.

Una posible explicación es que el efecto del SNP analizado sea más observable

porque la acción obesogénica del ambiente y otros SNPs es muy baja. En este

sentido, las interacciones gen-gen podrían opacar el efecto del rs6265 en los

grupos con sobrepeso y obesidad; también cabe la posibilidad de que el estilo de

vida obesogénico juegue un papel en el enmascaramiento de SNP de estudio.

Hasta el momento, se ha documentado que el efecto de asociación de los alelos

con la composición corporal puede cambiar de acuerdo al género, la etnicidad y

el fenotipo, ya que en nuestra población estratificada por IMC se observó que la

asociación de los genotipos se hizo más evidente en el grupo con peso normal.

Con respecto al rs7934165, no se observaron asociaciones significativas

con las variables de composición corporal en la población total, mientras que al

estratificar por IMC, solamente en las mujeres del grupo con obesidad se observó

asociación con variables relacionadas a la grasa corporal en región androide y

ginoide; cabe señalar que este polimorfismo no se ha asociado previamente con

las características de antropometría o composición corporal en población

saludable, solamente se ha estudiado en sujetos con problemas neurológicos

(Honea et al., 2013; de Cid et al., 2008). En población española, se encontró que

los portadores del alelo G tenían un efecto anorexígenico, y lo relacionan con

bulimia y anorexia (Mercader., et al 2007). En este caso, los resultados pueden

sugerir que el efecto del polimorfismo se asocia a medidas antropométricas y a

la obesidad.

En resumen, nuestros resultados permiten confirmar la hipótesis de trabajo

al encontrar asociación entre los polimorfismos rs6265 y rs7934165 del gen

BDNF y algunas características de composición corporal en mujeres

postmenopáusicas y determinar que dicha asociación depende del IMC, por lo

que podrían ser considerados posibles factores de riesgo genéticos para la

obesidad. Una limitación de este trabajo es el tamaño de la muestra; por lo tanto,

75

la confirmación de los resultados requiere un incremento en el número de sujetos

analizados. Además, cabe señalar que estos resultados también pueden variar

en función la región geográfica de los mestizos mexicanos, de las estrategias de

procesamiento y análisis de los datos, así como de interacciones con otros genes

y el estilo de vida. Con este trabajo se pretende aportar información que

contribuya a entender los factores genéticos asociados a obesidad en la

población del noreste de México.

76

9. CONCLUSIONES

De acuerdo con los resultados obtenidos de la presente investigación, se

ha concluido lo siguiente:

• Las variables antropométricas y de composición corporal de las mujeres

de nuestro estudio son similares a los descritos en estudios

nacionales.

• La frecuencia de sobrepeso y obesidad de nuestro estudio es similar

a lo reportado en la encuesta nacional de salud y nutrición más

reciente.

• Este es el primer reporte de polimorfismos del gen BDNF en mujeres

postmenopáusicas y su asociación con fenotipos de obesidad.

• Por primera vez se encontraron asociaciones significativas en el

polimorfismo rs7934165 con las variables antropométricas y de

composición corporal en la población mestiza mexicana.

• Ambos polimorfismos demostraron estar asociados a la composición

corporal en mujeres posmenopáusicas del noreste de México.

• Se encontró que la población estratificada por IMC, muestra diferencias

en las asociaciones de los polimorfismos del gen BDNF con las

medidas antropométricas.

77

10. REFERENCIAS

Aid, T., Kazantseva, A., Piirsoo, M., Palm, K., & Timmusk, T. (2007). Mouse and rat

BDNF gene structure and expression revisited. Journal of Neuroscience

Research, 85(3), 525-535. http://dx.doi.org/10.1002/jnr.21139

Akkermann, K., Hiio, K., Villa, I., & Harro, J. (2011). Food restriction leads to binge eating

dependent upon the effect of the brain-derived neurotrophic factor Val66Met

polymorphism. Psychiatry Research, 185(1-2), 39-43.

http://dx.doi.org/10.1016/j.psychres.2010.04.024

Alcalde-Rabanal, J., Orozco-Núñez, E., Espinosa-Henao, O., Arredondo-López, A., &

Alcayde-Barranco, L. (2018). The complex scenario of obesity, diabetes and

hypertension in the area of influence of primary healthcare facilities in

Mexico. PLOS ONE, 13(1), e0187028.

http://dx.doi.org/10.1371/journal.pone.0187028

Ask TaqMan® Video Gallery | Thermo Fisher Scientific - MX. (2018). Obtenido de

https://www.thermofisher.com/mx/es/home/life-science/pcr/real-time-pcr/real-

time-pcr-learning-center/real-time-pcr-basics/ask-taqman-video-series/ask-

taqman-video-gallery.html

Banack, H., Wactawski-Wende, J., Hovey, K., & Stokes, A. (2017). Is BMI a valid

measure of obesity in postmenopausal women?. Menopause, 1(3),456-500.

10.1097/GME.0000000000000989

Bataille, D., & Dalle, S. (2014). The forgotten members of the glucagon family. Diabetes

Research and Clinical Practice, 106(1), 1-10. 10.1016/j.diabres.2014.06.010

Bauer, F., Elbers, C., Adan, R., Loos, R., Onland-Moret, N., & Grobbee, D. et al. (2009).

Obesity genes identified in genome-wide association studies are associated with

adiposity measures and potentially with nutrient-specific food preference. The

American Journal of Clinical Nutrition, 90(4), 951-959. 10.3945/ajcn.2009.27781

Beckers, S., Peeters, A., Zegers, D., Mertens, I., Gaal, L., & Van Hul, W. (2008).

Association of the BDNF Val66Met variation with obesity in women. Molecular

Genetics and Metabolism, 95(1-2), 110-112.

https://doi.org/10.1016/j.ymgme.2008.06.008

78

Berthoud, H. (2011). Metabolic and hedonic drives in the neural control of appetite: who

is the boss?. Current Opinion in Neurobiology, 21(6), 888-896.

10.1016/j.conb.2011.09.004

Biebermann, H., Kühnen, P., Kleinau, G. & Krude, H. (2011). The neuroendocrine

circuitry controlled by POMC, MSH, and AGRP. Handbook of Experimental

Pharmacology, pp.47-75. 10.1007/978-3-642-24716-3_3

Binder, D., & Scharfman, H. (2004). Mini review. Growth factors, 22(3), 123-131.

http://dx.doi.org/10.1080/08977190410001723308

Brodie, D., Moscrip, V., & Hutcheon, R. (1998). Body composition measurement: A

review of hydrodensitometry, anthropometry, and impedance methods. Nutrition,

14(3), 296-310. https://doi.org/10.1016/S0899-9007(97)00474-7

Carranza-Lira, S., Azpilcueta, Y., & Rosales Ortiz, S. (2016). Relation between visceral

fat and carotid intimal media thickness in Mexican postmenopausal women: a

preliminary report. Menopausal Review, 2, 81-84.

http://dx.doi.org/10.5114/pm.2016.61189

Ceccarini, G., Maffei, M., Vitti, P. & Santini, F. (2014). Fuel homeostasis and locomotor

behavior: role of leptin and melanocortin pathways. Journal of Endocrinological

Investigation, 38(2),125-131. 10.1007/s40618-014-0225-z

Chambers, J., Elliott, P., Zabaneh, D., Zhang, W., Li, Y., & Froguel, P. et al. (2008).

Common genetic variation near MC4R is associated with waist circumference and

insulin resistance. Nature Genetics, 40(6), 716-718.

http://dx.doi.org/10.1038/ng.156

Cho, Y., Go, M., Kim, Y., Heo, J., Oh, J., & Ban, H. et al. (2009). A large-scale genome-

wide association study of Asian populations uncovers genetic factors influencing

eight quantitative traits. Nature Genetics, 41(5), 527-534.

http://dx.doi.org/10.1038/ng.357

Crino, M., Sacks, G., Vandevijvere, S., Swinburn, B., & Neal, B. (2015). The influence

on population weight gain and obesity of the macronutrient composition and

energy density of the food supply. Current Obesity Reports, 4(1), 1-10.

10.1007/s13679-014-0134-7

79

Da Fonseca, A., Mastronardi, C., Johar, A., Arcos-Burgos, M., & Paz-Filho, G. (2017).

Genetics of non-syndromic childhood obesity and the use of high-throughput DNA

sequencing technologies. Journal of Diabetes and Its Complications, 31(10),

1549-1561. 10.1016/j.jdiacomp.2017.04.026

Davey Smith, G., & Ebrahim, S. (2003). ‘Mendelian randomization’: can genetic

epidemiology contribute to understanding environmental determinants of

disease?. International Journal of Epidemiology, 32(1), 1-22.

https://doi.org/10.1093/ije/dyg070

De Cid, R., Fonseca, F., Gratacs, M., Gutierrez, F., Martn-Santos, R., Estivill, X., &

Torrens, M. (2008). BDNF variability in opioid addicts and response to methadone

treatment: preliminary findings. Genes, Brain and Behavior, 7(5), 515-522.

10.1111/j.1601-183X.2007.00386.x

De Lorenzo, A., Martinoli, R., Vaia, F., & Di Renzo, L. (2006). Normal weight obese

(NWO) women: An evaluation of a candidate new syndrome. Nutrition,

Metabolism and Cardiovascular Diseases, 16(8), 513-523.

http://dx.doi.org/10.1016/j.numecd.2005.10.010

Desjardins, P., & Conklin, D. (2010). NanoDrop microvolume quantitation of nucleic

acids. Journal of Visualized Experiments, 22(45)pii, 2565.

http://dx.doi.org/10.3791/2565

Do Carmo, J., da Silva, A., Dubinion, J., Sessums, P., Ebaady, S., Wang, Z. & Hall, J.

(2013). Control of metabolic and cardiovascular function by the leptin-brain

melanocortin pathway. IUBMB Life, 65(8), pp.692-698. 10.1002/iub.1187

Duran-Gonzalez, J., Ortiz, I., Gonzales, E., Ruiz, N., Ortiz, M., & Gonzalez, A. et al.

(2011). Association study of candidate gene polymorphisms and obesity in a

young Mexican-American population from south Texas. Archives of Medical

Research, 42(6), 523-531. 10.1016/j.arcmed.2011.10.010

Encuesta nacional en salud y nutrición (2000). Obesidad. Obtenido el 20 de abril 2017,

de http://ensanut.insp.mx/informes/ENSA

Encuesta nacional en salud y nutrición (ENSANUT) (2006). Nutrición y obesidad.

Obtenido el 20 de abril 2017, de http://ensanut.insp.mx/informes/ensanut2006.

80

Encuesta nacional en salud y nutrición (ENSANUT) (2012). Resultados nacionales.

Obtenido el 20 de abril 2017, de

http://ensanut.insp.mx/doctos/FactSheet_ResultadosNacionales14Nov.

Encuesta nacional en salud y nutrición a medio camino 2016 (2017). Cifras de

sobrepeso y obesidad en México, OMENT. Obtenido el 18 de abril 2017, de

http://oment.uanl.mx/cifras-de-sobrepeso-y-obesidad-en-mexico-ensanut-mc-

2016/

Ensembl genome browser 90 (2017). Population genetics. Recuperado de

https://www.ensembl.org/Homo_sapiens/Variation/Population?db=core;r=11:276

57869-27658869;v=rs6265;vdb=variation;vf=5988#population_freq_AMR

Escamilla-Méndez, A.D. (2016). Asociación del polimorfismo 844ins68 del gen de la

cistationina B sintasa (CBS) y de los polimorfismos A1298C y C677T del gen de

la metilentetrahidrofolato reductasa (MTHFR) con la densidad mineral ósea en

mujeres postmenopáusicas. (Tesis de maestría). Universidad Autónoma de

Nuevo León, Monterrey.

Excoffier, L. & H.E. L. Lischer (2010, 2012) Arlequin suite ver 3.5: A new series of

programs to perform population genetics analyses under Linux and Windows.

Molecular Ecology Resources. 10: 564-567. 10.1111/j.1755-0998.2010.02847.x

Fawcett, K. & Barroso, I. (2010). The genetics of obesity: FTO leads the way. Trends in

Genetics, 26(6), 266-274. http://dx.doi.org/10.1016/j.tig.2010.02.006

Fernández Muñoz, M., Basurto Acevedo, L., Córdova Pérez, N., Vázquez Martínez, A.,

Tepach Gutiérrez, N., & Vega García, S. et al. (2014). Epicardial adipose tissue

is associated with visceral fat, metabolic syndrome, and insulin resistance in

menopausal women. Revista Española De Cardiología (English Edition), 67(6),

436-441. http://dx.doi.org/10.1016/j.rec.2013.10.011

Frayling, T., Timpson, N., Weedon, M., Zeggini, E., Freathy, R., & Lindgren, C. et al.

(2007). A common variant in the FTO gene is associated with body mass index

and predisposes to childhood and adult obesity. Science, 316(5826), 889-894.

http://dx.doi.org/10.1126/science.1141634

Friedel, S., Fontenla Horro, F., Wermter, A., Geller, F., Dempfle, A., & Reichwald, K. et

al. (2005). Mutation screen of the brain derived neurotrophic factor gene (BDNF):

81

Identification of several genetic variants and association studies in patients with

obesity, eating disorders, and attention-deficit/hyperactivity disorder. American

Journal of Medical Genetics Part B: Neuropsychiatric Genetics, 132(1), 96-99.

10.1002/ajmg.b.30090

Froy, O. (2007). The relationship between nutrition and circadian rhythms in

mammals. Frontiers in Neuroendocrinology, 28(2-3), 61-71.

10.1016/j.yfrne.2007.03.001

Gallagher, D., Heymsfield, S., Heo, M., Jebb, S., Murgatroyd, P., & Sakamoto, Y. (2000).

Healthy percentage body fat ranges: an approach for developing guidelines based

on body mass index. The American Journal of Clinical Nutrition, 72(3), 694-701.

http://dx.doi.org/10.1093/ajcn/72.3.694

Gao, M., & Liu, D. (2014). Gene therapy for obesity: progress and prospects. Discovery

Medicine, 17(96), 319-28. PMID: 24979252

Garaulet, M., & Madrid, J. (2009). Chronobiology, genetics and metabolic

syndrome. Current Opinion in Lipidology, 20(2), 127-134.

10.1097/MOL.0b013e3283292399

Garrow, J., & Summerbell, C. (1995). Meta-analysis: effect of exercise, with or without

dieting, on the body composition of overweight subjects. European Journal of

Clinical Nutrition, 49(1), 1-10. PMID: 7713045

Gentra® Puregene® Handbook. (2014). 4th ed. QIAGEN.

Girardet, C. & Butler, A. (2014). Neural melanocortin receptors in obesity and related

metabolic disorders. Biochimica et Biophysica Acta (BBA) - Molecular Basis of

Disease, 1842(3), pp.482-494. 10.1016/j.bbadis.2013.05.004

González-Peña, S., Campos-Góngora, E., Ávila-Rodríguez, H., Ramírez-López, E.,

Velázquez-Cruz, R., & Jiménez-Salas, Z. (2018). Polimorfismos de los genes

JAG1, MEF2C y BDNF asociados con densidad mineral ósea en mujeres del

norte de México. Biomédica, 38(3); 320-328.

https://doi.org/10.7705/biomedica.v38i3.4014

Goodarzi, M. (2018). Genetics of obesity: what genetic association studies have taught

us about the biology of obesity and its complications. The Lancet Diabetes &

Endocrinology, 6(3), 223-236. http://dx.doi.org/10.1016/s2213-8587(17)30200-0

82

Goodwin, S. (2002). The Practical Guide to the Identification, Evaluation and Treatment

of Overweight and Obesity in Adults. Clinical Nurse Specialist, 16(3), 164. doi:

10.1097/00002800-200205000-00016

Gray, J., Yeo, G., Cox, J., Morton, J., Adlam, A., & Keogh, J. et al. (2006). Hyperphagia,

severe obesity, impaired cognitive function, and hyperactivity associated with

functional loss of one copy of the brain-derived neurotrophic factor (BDNF) Gene.

Diabetes, 55(12), 3366-3371. http://dx.doi.org/10.2337/db06-0550

Heard-Costa, N., Zillikens, M., Monda, K., Johansson, Å., Harris, T., & Fu, M. et al.

(2009). NRXN3 is a novel locus for waist circumference: A genome-wide

association study from the CHARGE consortium. Plos Genetics, 5(6), e1000539.

http://dx.doi.org/10.1371/journal.pgen.1000539

Hegele, R., Jugenberg, M., Connelly, P., & Jenkins, D. (1997). Evidence for gene-diet

interaction in the response of blood pressure to dietary fibre. Nutrition

Research, 17(8), 1229-1238. http://dx.doi.org/10.1016/s0271-5317(97)00106-1

Hernández-Tobías, E., Torres-Sánchez, L., Noris, G., Santana, C., Samano, M.,

Arellano-Galindo, J., et al. (2016). PPARG-LYPLAL1 Multi-allelic combination

associated with obesity and overweight in Mexican adolescent females. Ethnicity

& Disease, 26(4), p.477. 10.18865/ed.26.4.477

Herrera, B., & Lindgren, C. (2010). The genetics of obesity. Current Diabetes

Reports, 10(6), 498-505. http://dx.doi.org/10.1007/s11892-010-0153-z

Hill, A. (2004). Does dieting make you fat?. British Journal of Nutrition, 92(S1), S15.

https://doi.org/10.1079/BJN20041135

Hinney, A., Vogel, C. & Hebebrand, J. (2010). From monogenic to polygenic obesity:

recent advances. European Child & Adolescent Psychiatry, 19(3), 297-

310. 10.1007/s00787-010-0096-6

Hoffmann, A., Sgro, C., & Weeks, A. (2004). Chromosomal inversion polymorphisms

and adaptation. Trends in Ecology & Evolution, 19(9), 482-488.

http://dx.doi.org/10.1016/j.tree.2004.06.013

Holland, P., Abramson, R., Watson, R., & Gelfand, D. (1991). Detection of specific

polymerase chain reaction product by utilizing the 5'----3' exonuclease activity of

83

Thermus aquaticus DNA polymerase. Proceedings of The National Academy of

Sciences, 88(16), 7276-7280. https://doi.org/10.1073/pnas.88.16.7276

Honea, R., Cruchaga, C., Perea, R., Saykin, A., Burns, J., Weinberger, D., & Goate, A.

(2013). Characterizing the role of brain derived neurotrophic factor genetic

variation in Alzheimer’s disease neurodegeneration. Plos ONE, 8(9), e76001.

10.1371/journal.pone.0076001

Hotta, K., Nakamura, M., Nakamura, T., Matsuo, T., Nakata, Y., & Kamohara, S. et al.

(2009). Association between obesity and polymorphisms in SEC16B, TMEM18,

GNPDA2, BDNF, FAIM2 and MC4R in a Japanese population. Journal of Human

Genetics, 54(12), 727-731. 10.1038/jhg.2009.106

Iniesta, R., Guinó, E., & Moreno, V. (2005). Statistical analysis of genetic polymorphisms

in epidemiological studies. Gaceta Sanitaria, 19(4), 333-341.

https://doi.org/10.1157/13078029

Jensen, M., Ryan, D., Apovian, C., Ard, J., Comuzzie, A., & Donato, K. et al. (2013).

2013 AHA/ACC/TOS Guideline for the management of overweight and obesity in

adults. Circulation, 129 (25 suppl 2), S102-S138.

10.1161/01.cir.0000437739.71477.ee

Jung, U., & Choi, M. (2014). Obesity and its metabolic complications: The role of

adipokines and the relationship between obesity, inflammation, insulin resistance,

dyslipidemia and nonalcoholic fatty liver disease. International Journal of

Molecular Sciences, 15(4), 6184-6223. 10.3390/ijms15046184

Kaila, B., & Raman, M. (2008). Obesity: A review of pathogenesis and management

strategies. Canadian Journal of Gastroenterology, 22(1), 61-68.

http://dx.doi.org/10.1155/2008/609039

Karelis, A., Brochu, M., Rabasa-Lhoret, R., Garrel, D., & Poehlman, E. (2004). Clinical

markers for the identification of metabolically healthy but obese

individuals. Diabetes, Obesity and Metabolism, 6(6), 456-457.

http://dx.doi.org/10.1016/s1262-3636(07)70156-8

Lajunen, H., Kaprio, J., Keski-Rahkonen, A., Rose, R., Pulkkinen, L., Rissanen, A., &

Silventoinen, K. (2009). Genetic and environmental effects on body mass index

84

during adolescence: a prospective study among Finnish twins. International

Journal of Obesity, 33(5), 559-567. 10.1038/ijo.2009.51

Lapchak, P., & Hefti, F. (1992). BDNF and NGF treatment in lesioned rats. Neuroreport,

3(5), 405-408. http://dx.doi.org/10.1097/00001756-199205000-00007

Lebrun, B., Bariohay, B., Moyse, E., & Jean, A. (2006). Brain-derived neurotrophic factor

(BDNF) and food intake regulation: A minireview. Autonomic Neuroscience, 126-

127, 30-38. http://dx.doi.org/10.1016/j.autneu.2006.02.027

León-Mimila, P., Villamil-Ramírez, H., Villalobos-Comparán, M., Villarreal-Molina, T.,

Romero-Hidalgo, S., & López-Contreras, B. et al. (2013). Contribution of common

genetic variants to obesity and obesity-related traits in Mexican children and

adults. Plos ONE, 8(8), e70640. https://doi.org/10.1371/journal.pone.0070640

Li, S., Zhao, J., Luan, J., Langenberg, C., Luben, R., & Khaw, K. et al. (2011). Genetic

predisposition to obesity leads to increased risk of type 2 diabetes. Diabetologia,

54(4), 776-782. 10.1007/s00125-011-2044-5

Lindgren, C., Heid, I., Randall, J., Lamina, C., Steinthorsdottir, V., & Qi, L. et al. (2009).

Genome-wide association scan meta-analysis identifies three loci influencing

adiposity and fat distribution. Plos Genetics, 5(6), e1000508.

http://dx.doi.org/10.1371/journal.pgen.1000508

Lommatzsch, M., Zingler, D., Schuhbaeck, K., Schloetcke, K., Zingler, C., Schuff-

Werner, P., & Virchow, J. (2005). The impact of age, weight and gender on BDNF

levels in human platelets and plasma. Neurobiology of Aging, 26(1), 115-123.

http://dx.doi.org/10.1016/j.neurobiolaging.2004.03.002

Loos, R., Lindgren, C., Li, S., Wheeler, E., Zhao, J., & Prokopenko, I. et al. (2008).

Common variants near MC4R are associated with fat mass, weight and risk of

obesity. Nature Genetics, 40(6), 768-775. http://dx.doi.org/10.1038/ng.140

Ma, X., Qiu, W., Smith, C., Parnell, L., Jiang, Z., & Ordovas, J. et al. (2012). Association

between BDNF rs6265 and obesity in the Boston Puerto Rican health

study. Journal of Obesity, 2012, 1-8. http://dx.doi.org/10.1155/2012/102942

Macias, N., Quezada, A., Flores, M., Valencia, M., Denova-Gutiérrez, E., & Quiterio-

Trenado, M. et al. (2014). Accuracy of body fat percent and adiposity indicators

85

cut off values to detect metabolic risk factors in a sample of Mexican adults. BMC

Public Health, 14(1). 10.1186/1471-2458-14-341

Major, G., Doucet, E., Trayhurn, P., Astrup, A., & Tremblay, A. (2008). Clinical

significance of adaptive thermogenesis. Medicine & Science in Sports &

Exercise, 40(Supplement), 38. 10.1038/sj.ijo.0803523

Marti, A., Martinez-González, M., & Martinez, J. (2008). Interaction between genes and

lifestyle factors on obesity. Proceedings Of The Nutrition Society, 67(01), 1-8.

10.1017/S002966510800596X

Martínez-Ezquerro, J., Rendón-Macías, M., Zamora-Mendoza, G., Serrano-Meneses, J.,

Rosales-Rodríguez, B., & Escalante-Bautista, D. et al. (2017). Association

between the brain-derived neurotrophic factor Val66Met polymorphism and

overweight/obesity in pediatric population. Archives of Medical Research, 48(7),

599-608. 10.1016/j.arcmed.2018.02.005

McKinsey & Company. How the world could better fight obesity. (2014). Obtenido el 18

de abril 2017, de http://www.mckinsey.com/industries/healthcare-systems-and-

services/our-insights/how-the-world-could-better-fight-obesity.

Mejía-Benítez, A., Klünder-Klünder, M., Yengo, L., Meyre, D., Aradillas, C., & Cruz, E.

et al. (2013). Analysis of the contribution of FTO, NPC1, ENPP1, NEGR1,

GNPDA2 and MC4R genes to obesity in Mexican children. BMC Medical

Genetics, 14(1). http://dx.doi.org/10.1186/1471-2350-14-21

Mercader, J., Ribasés, M., Gratacòs, M., González, J., Bayés, M., & de Cid, R. et al.

(2007). Altered brain-derived neurotrophic factor blood levels and gene variability

are associated with anorexia and bulimia. Genes, Brain and Behavior, 6(8), 706-

716. http://dx.doi.org/10.1111/j.1601-183x.2007.00301.x

Meyre, D., Delplanque, J., Chèvre, J., Lecoeur, C., Lobbens, S., & Gallina, S. et al.

(2009). Genome-wide association study for early-onset and morbid adult obesity

identifies three new risk loci in European populations. Nature Genetics, 41(2),

157-159. http://dx.doi.org/10.1038/ng.301

Mokdad, A., Ford, E., Bowman, B., Dietz, W., Vinicor, F., Bales, V., & Marks, J. (2003).

Prevalence of obesity, diabetes, and obesity-related health risk factors,

2001. JAMA, 289(1). doi: 10.1001/jama.289.1.76

86

Morales Marín, M., Genis-Mendoza, A., Tovilla-Zarate, C., Lanzagorta, N., & Escamilla,

M. Nicolini, H. (2016). Association between obesity and the brain-derived

neurotrophic factor gene polymorphism Val66Met in individuals with bipolar

disorder in Mexican population. Neuropsychiatric Disease and Treatment, Volume

12, 1843-1848. 10.2147/NDT.S104654

Mountjoy, K. (2015). Pro-Opiomelanocortin (POMC) neurones, POMC-Derived peptides,

melanocortin receptors and obesity: How understanding of this system has

changed over the last decade. Journal of Neuroendocrinology, 27(6), 406-418.

10.1111/jne.12285

Neves-Pereira, M., Mundo, E., Muglia, P., King, N., Macciardi, F., & Kennedy, J. (2002).

The Brain-derived neurotrophic factor gene confers susceptibility to bipolar

disorder: evidence from a family-based association study. The American Journal

of Human Genetics, 71(3), 651-655. http://dx.doi.org/10.1086/342288

Nuttall, F. (2015). Body Mass Index: Obesity, BMI, and health: A critical review. Nutrition

Today, 50(3), 117-128. 10.1097/NT.0000000000000092

Obesity Update 2017. (2017). Organization for Economic Co-Operation And

Development (OCDE). Obtenido de http://www.oecd.org/health/health-

systems/Obesity-Update-2017.pdf

Observatorio Mexicano de Enfermedades no Transmisibles (OMENT), (2017). Encuesta

nacional en Salud y Nutrición a Medio Camino 2016., cifras de sobrepeso y

obesidad en México. Obtenido el 18 abril de 2017, de http://oment.uanl.mx/cifras-

de-sobrepeso-y-obesidad-en-mexico-ensanut-mc-2016/

O'Rahilly, S., & Farooqi, I. (2008). Human obesity as a heritable disorder of the central

control of energy balance. International Journal of Obesity, 32(S7), S55-S61.

10.1038/ijo.2008.239

Organización Mundial de la Salud (OMS). Sobrepeso y obesidad. (2016). Obtenido el

18 April 2017, de http://www.who.int/mediacentre/factsheets/fs311/en/

Organización Mundial de la Salud (OMS) (2008) Waist circumference and waist–hip

ratio.Obtenido de

https://www.who.int/nutrition/publications/obesity/WHO_report_waistcircumferen

ce_and_waisthip_ratio/en/

87

Ouchi, N., Parker, J., Lugus, J. & Walsh, K. (2011). Adipokines in inflammation and

metabolic disease. Nature Reviews Immunology, 11(2), pp.85-97.

10.1038/nri2921

Pelleymounter, M., Cullen, M., & Wellman, C. (1995). Characteristics of BDNF-induced

weight loss. Experimental Neurology, 131(2), 229-238.

http://dx.doi.org/10.1016/0014-4886(95)90045-4

Peltz, G., Aguirre, M., Sanderson, M., & Fadden, M. (2010). The role of fat mass index

in determining obesity. American Journal of Human Biology, 22(5), 639-647.

http://dx.doi.org/10.1002/ajhb.21056

Price, R., & Gottesman, I. (1991). Body fat in identical twins reared apart: Roles for genes

and environment. Behavior Genetics, 21(1), 1-7. doi: 10.1007/bf01067662

Pritchard, L. (2002). Pro-opiomelanocortin processing in the hypothalamus: impact on

melanocortin signalling and obesity. Journal of Endocrinology, 172(3),.411-421.

doi: 10.1677/joe.0.1720411

Prospective Studies Collaboration. (2009). Body-mass index and cause-specific

mortality in 900 000 adults: collaborative analyses of 57 prospective studies. The

Lancet, 373(9669), 1083-1096. 10.1016/S0140-6736(09)60318-4

Reilly, J. (2003). Health consequences of obesity. Archives of Disease in Childhood,

88(9), 748-752. http://dx.doi.org/10.1136/adc.88.9.748

Remesar, X., Rafecas, I., Fernández-López, J. & Alemany, M. (1997). Is leptin an insulin

counter-regulatory hormone?. FEBS Letters, 402(1), pp.9-11.

https://doi.org/10.1016/S0014-5793(96)01477-9

Rouskas, K., Kouvatsi, A., Paletas, K., Papazoglou, D., Tsapas, A., & Lobbens, S. et al.

(2011). Common variants in FTO, MC4R, TMEM18, PRL, AIF1, and PCSK1 show

evidence of association with adult obesity in the Greek population. Obesity, 20(2),

389-395. 10.1038/oby.2011.177

Rousset, F., 2008. Genepop'007: a complete reimplementation of the Genepop software

for Windows and Linux. Mol. Ecol. Resources 8: 103-106.

https://doi.org/10.1111/j.1471-8286.2007.01931.x

88

Sambrook, J., & Russell, D. (2006). Purification of nucleic acids by extraction with

Phenol:Chloroform. Cold Spring Harbor Protocols, 2006(1), pdb.prot4455.

http://dx.doi.org/10.1101/pdb.prot4455

Santana, C., Noris, G., Meraz-Ríos, M., Magaña, J., Calderon-Aranda, E., de Lourdes

Muñoz, M. & Gómez, R. (2014). Genetic analysis of 17 Y-STRs in a Mestizo

population from the central valley of Mexico. Human Biology, 86(4), p.289.

10.13110/humanbiology.86.4.0289

Scherag, A., Dina, C., Hinney, A., Vatin, V., Scherag, S., & Vogel, C. et al. (2010). Two

new loci for body-weight regulation identified in a joint analysis of genome-wide

association studies for early-onset extreme obesity in French and German study

groups. Plos Genetics, 6(4), e1000916.

http://dx.doi.org/10.1371/journal.pgen.1000916

Schwartz, M., Seeley, R., Zeltser, L., Drewnowski, A., Ravussin, E., Redman, L., &

Leibel, R. (2017). Obesity pathogenesis: An endocrine society scientific

statement. Endocrine Reviews, 38(4), 267-296. 10.1210/er.2017-00111

Scuteri, A., Sanna, S., Chen, W., Uda, M., Albai, G., & Strait, J. et al. (2007). Genome-

wide association scan shows genetic variants in the FTO gene are associated

with obesity-related traits. Plos Genetics, 3(7), e115.

http://dx.doi.org/10.1371/journal.pgen.0030115

Secretaria de Salud [SSA] (1988). Reglamento de la Ley General de Salud en Materia

de Investigación para la Salud. Recuperado el 04 de marzo de 2018 de:

http://www.salud.gob.mx/unidades/cdi/nom/compi/rlgsmis.html.

Simpson, K., Parker, J., Plumer, J., & Bloom, S. (2011). CCK, PYY and PP: The control

of energy balance. Handbook of Experimental Pharmacology, 209-230.

10.1007/978-3-642-24716-3_9

Skelton, J., DeMattia, L., Miller, L., & Olivier, M. (2006). Obesity and its therapy: From

genes to community action. Pediatric Clinics of North America, 53(4), 777-

794. 10.1016/j.pcl.2006.05.011

Skinner, A., Perrin, E., Moss, L., & Skelton, J. (2015). Cardiometabolic risks and severity

of obesity in children and young adults. New England Journal of

Medicine, 373(14), 1307-1317. doi: 10.1056/NEJMoa1502821

89

Sklar, P., Gabriel, S., McInnis, M., Bennett, P., Lim, Y., & Tsan, G. et al. (2002). Family-

based association study of 76 candidate genes in bipolar disorder: BDNF is a

potential risk locus. Molecular Psychiatry, 7(6), 579-593.

http://dx.doi.org/10.1038/sj.mp.4001058

Skledar, M., Nikolac, M., Dodig-Curkovic, K., Curkovic, M., Borovecki, F., & Pivac, N.

(2012). Association between brain-derived neurotrophic factor Val66Met and

obesity in children and adolescents. Progress in Neuro-Psychopharmacology and

Biological Psychiatry, 36(1), 136-140.

http://dx.doi.org/10.1016/j.pnpbp.2011.08.003

Solas, M., Milagro, F., Martínez-Urbistondo, D., Ramirez, M., & Martínez, J. (2016).

Precision obesity treatments including pharmacogenetic and nutrigenetic

approaches. Trends in Pharmacological Sciences, 37(7), 575-593.

10.1016/j.tips.2016.04.008

Sonestedt, E., Roos, C., Gullberg, B., Ericson, U., Wirfält, E., & Orho-Melander, M.

(2009). Fat and carbohydrate intake modify the association between genetic

variation in the FTO genotype and obesity. The American Journal of Clinical

Nutrition, 90(5), 1418-1425. 10.3945/ajcn.2009.27958

Sørensen, T., Holst, C., & Stunkard, A. (1992). Childhood body mass index--genetic and

familial environmental influences assessed in a longitudinal adoption

study. International Journal of Obesity And Related Metabolic Disorders, 16(9).

PMID: 1328094

Sørensen, T., Holst, C., & Stunkard, A. (1997). Adoption study of environmental

modifications of the genetic influences on obesity. International Journal of

Obesity, 22(1), 73-81. doi: 10.1038/sj.ijo.0800548

Speliotes, E., Willer, C., Berndt, S., Monda, K., Thorleifsson, G., & Jackson, A. et al.

(2010). Association analyses of 249,796 individuals reveal 18 new loci associated

with body mass index. Nature Genetics, 42(11), 937-948.

http://dx.doi.org/10.1038/ng.686

St-Onge, M. & Gallagher, D. (2010). Body composition changes with aging: The cause

or the result of alterations in metabolic rate and macronutrient oxidation?.

Nutrition, 26(2), pp.152-155. 10.1016/j.nut.2009.07.004

90

Stunkard, A., Harris, J., Pedersen, N., & McClearn, G. (1990). The Body-Mass Index of

twins who have been reared apart. New England Journal of Medicine, 322(21),

1483-1487. 10.1056/NEJM199005243222102

Sustar, A., Nikolac Perkovic, M., Nedic Erjavec, G., Svob Strac, D., & Pivac, N. (2016).

A protective effect of the BDNF Met/Met genotype in obesity in healthy Caucasian

subjects but not in patients with coronary heart disease. Eur Rev Med Pharmacol

Sci, 20(16), 3417-3426. PMID: 27608901

Tan, S., & Yiap, B. (2009). DNA, RNA, and Protein Extraction: The Past and The Present.

Journal of Biomedicine And Biotechnology, 2009, 1-10.

http://dx.doi.org/10.1155/2009/574398

Tanner, J., & Whitehouse, R. (1975). Revised standards for triceps and subscapular

skinfolds in British children. Archives of Disease In Childhood, 50(2), 142-145.

http://dx.doi.org/10.1136/adc.50.2.142

Thapar, A., & Cooper, M. (2013). Copy Number Variation: What is it and what has it told

us about child psychiatric disorders?. Journal of The American Academy of Child

& Adolescent Psychiatry, 52(8), 772-774. 10.1016/j.jaac.2013.05.013

Thorleifsson, G., Walters, G., Gudbjartsson, D., Steinthorsdottir, V., Sulem, P., &

Helgadottir, A. et al. (2008). Genome-wide association yields new sequence

variants at seven loci that associate with measures of obesity. Nature

Genetics, 41(1), 18-24. http://dx.doi.org/10.1038/ng.274

Timmusk, T., Palm, K., Metsis, M., Reintam, T., Paalme, V., Saarma, M., & Persson, H.

(1993). Multiple promoters direct tissue-specific expression of the rat BDNF

gene. Neuron, 10(3), 475-489. http://dx.doi.org/10.1016/0896-6273(93)90335-o

Timpano, K., Schmidt, N., Wheaton, M., Wendland, J., & Murphy, D. (2011).

Consideration of the BDNF gene in relation to two phenotypes: Hoarding and

obesity. Journal of Abnormal Psychology, 120(3), 700-707. 10.1037/a0024159

Tonra, J., Ono, M., Liu, X., Garcia, K., Jackson, C., & Yancopoulos, G. et al. (1999).

Brain-derived neurotrophic factor improves blood glucose control and alleviates

fasting hyperglycemia in C57BLKS-Lepr(db)/lepr(db) mice. Diabetes, 48(3), 588-

594. http://dx.doi.org/10.2337/diabetes.48.3.588

91

Traurig, M., Mack, J., Hanson, R., Ghoussaini, M., Meyre, D., & Knowler, W. et al. (2009).

Common variation in SIM1 is reproducibly associated with BMI in Pima

Indians. Diabetes, 58(7), 1682-1689. 10.2337/db09-0028

Trayhurn, P. & Wood, I. (2004). Adipokines: inflammation and the pleiotropic role of white

adipose tissue. British Journal of Nutrition, 92(03), 347.

https://doi.org/10.1079/BJN20041213

Trends in adult body-mass index in 200 countries from 1975 to 2014: a pooled analysis

of 1698 population-based measurement studies with 19·2 million participants.

(2016). The Lancet, 387(10026), 1377-1396. http://dx.doi.org/10.1016/s0140-

6736(16)30054-x

Turcotte, M., Abadi, A., Peralta-Romero, J., Suarez, F., Reddon, H., & Gomez-Zamudio,

J. et al. (2018). Genetic contribution to waist-to-hip ratio in Mexican children and

adolescents based on 12 loci validated in European adults. International Journal

of Obesity. 10.1038/s41366-018-0055-8

Van Vliet-Ostaptchouk, J., Snieder, H., & Lagou, V. (2012). Gene–Lifestyle interactions

in obesity. Current Nutrition Reports, 1(3), 184-196. 10.1007/s13668-012-0022-2

Vignal, A., Milan, D., San Cristobal, M., & Eggen, A. (2002). A review on SNP and other

types of molecular markers and their use in animal genetics. Genetics Selection

Evolution, 34(3), 275-305. 10.1051/gse:2002009

Villamil-Ramírez, H., León-Mimila, P., Macias-Kauffer, L., Canizalez-Román, A.,

Villalobos-Comparán, M., & León-Sicairos, N. et al. (2016). A combined linkage

and association strategy identifies a variant near the GSTP1 gene associated with

BMI in the Mexican population. Journal of Human Genetics, 62(3), 413-418.

10.1038/jhg.2016.145

Visscher, P., Brown, M., McCarthy, M. & Yang, J. (2012). Five years of GWAS

discovery. The American Journal of Human Genetics, 90(1), 7-24.

10.1016/j.ajhg.2011.11.029

Visscher, P., Wray, N., Zhang, Q., Sklar, P., McCarthy, M., Brown, M., & Yang, J. (2017).

10 years of GWAS discovery: biology, function, and translation. The American

Journal of Human Genetics, 101(1), 5-22. 10.1016/j.ajhg.2017.06.005

92

Walsh, C., Ebbeling, C., Swain, J., Markowitz, R., Feldman, H., & Ludwig, D. (2013).

Effects of diet composition on postprandial energy availability during weight loss

maintenance. Plos ONE, 8(3), e58172.

https://doi.org/10.1371/journal.pone.0058172

Weinsier RL, Hunter GR, Heini AF, Goran MI, Sell SM. (1998). The etiology of obesity:

relative contribution of metabolic factors, diet, and physical activity. Am J Med.

105(2):145-50. https://doi.org/10.1016/S0002-9343(98)00190-9

Wiklund, P. (2016). The role of physical activity and exercise in obesity and weight

management: Time for critical appraisal. Journal of Sport and Health

Science, 5(2), 151-154. https://doi.org/10.1016/j.jshs.2016.04.001

Willer, C., Speliotes, E., Loos, R., Li, S., Lindgren, C., & Heid, I. et al. (2008). Six new

loci associated with body mass index highlight a neuronal influence on body

weight regulation. Nature Genetics, 41(1), 25-34.

http://dx.doi.org/10.1038/ng.287

Williams JE, Wells JC, Wilson CM, Haroun D, Lucas A, Fewtrell MS. (2006). Evaluation

of Lunar Prodigy dual-energy X-ray absorptiometry for assessing body

composition in healthy persons and patients by comparison with the criterion 4-

component model. Am J Clin Nutr.;83(5):1047-54. 10.1093/ajcn/83.5.1047

Zheng, F., Zhou, X., Moon, C., & Wang, H. (2012). Regulation of brain-derived

neurotrophic factor expression in neurons. International Journal of Physiology,

Pathophysiology And Pharmacology, 4(4), 188–200. PMC3544221

93

11. RESUMEN CURRICULAR

Licenciado en Nutrición Israel Guerrero Contreras

Candidato para el grado de Maestro en Ciencias en Nutrición

Tesis: POLIMORFISMOS rs6265 Y rs7934165 DEL GEN BDNF Y SU

ASOCIACIÓN CON FENOTIPOS DE OBESIDAD EN MUJERES

POSTMENOPAUSICAS.

Campo de estudio: Nutrigenética

Datos Personales:

Lugar de nacimiento: Aguascalientes, Aguascalientes, México.

Fecha de nacimiento: 16 de marzo de 1990

Estado civil: Soltero.

Nombre del padre: Oscar Manuel Guerrero Morúa

Nombre de la madre: Martha Alicia Contreras Morales

Formación academica:

2016-2018.- Maestro en Ciencias en Nutrición, Universidad Autónoma de Nuevo León (UANL). Tesis: Polimorfismos rs6265 y rs7934165 del gen BDNF y su asociación con fenotipos de obesidad en mujeres postmenopáusicas.

2009-2014.- Licenciado en Nutrición, Universidad Autónoma de Aguascalientes (UAA). Tesis: Relación de la ganancia de peso gestacional con el diagnóstico de anemia.

Estancias de Investigación:

2018. Colaboración en los proyectos Programación metabólica (metabolic

imprinting) y La nueva función de la leptina: leche materna, biomarcadores

nutrigenómicos y prevención de la obesidad y sus complicaciones bajo la supervisión de la Dra. Joana Sánchez Roig. Universidad de las Islas Baleares, Laboratorio de Biología Molecular, Nutrición y Biotecnología, Palma de Mallorca, España. Junio – Julio 2018

94

2017-2018. Colaboración con Dr. Rafael Velázquez Cruz. Instituto Nacional de Medicina Genómica (INMEGEN), Laboratorio de Genómica del Metabolismo Óseo, Cd. de México. Junio 2017– Enero 2018

2012: Colaboración en el proyecto Biomarcadores en la detección temprana de

nefropatía diabética y su relación con la enfermedad cardiovascular subclínica, bajo la supervisión de la Dra. María Ludivina Robles Osorio. Facultad de Medicina. Universidad Autónoma de Querétaro (UAQ). Mayo – Agosto 2012

95

96

97

98

99

100